假設給你一堆包含一個或多個人物的圖片，並且每一個人都給你一個bounding box做標記，如果要訓練一個分類器去做分類的話，你的分類器需要既包含正訓練樣本（人）和負訓練樣本（背景）。

你通過觀察bounding box去建立一個有用的正訓練樣本，那麼怎麼做才能建立一個有用的負訓練樣本呢？

一個很好的方式就是去在開始時隨機建立一堆的bounding box候選框，並且不能與你的正樣本有任何的重疊，把這些未與正樣本重疊的新的bounding box作為你的負樣本。

好了，這樣你的正負樣本都有了，可以訓練可以用的分類器了，你用滑動視窗在你的訓練圖片上進行執行，但是你會發現你的分類器並不是很好用，分類的效果並不是很好，因為它會丟擲一堆的錯誤的正樣本（當檢測到人時實際上卻並不是實際的人），這就問題來了，你訓練了一個用於分類的分類器，然而這個分類器卻並不能達到你想要的效果，那麼應該怎麼辦呢？

這個時候就要用的hard negative了，hard negative就是當你得到錯誤的檢測patch時，會明確的從這個patch中建立一個負樣本，並把這個負樣本新增到你的訓練集中去。當你重新訓練你的分類器後，分類器會表現的更好，並且不會像之前那樣產生多的錯誤的正樣本。