1. hard-negative mining
negative相对于positive，是相对于正样本来说，不含有目标的负样本。但是，negative包括很多，有完全不包含目标的，也有部分含有的，也就是容易/不容易被分为负样本的。其中比较容易被判定是负样本（比如全是背景）的对于训练并不能起到很好的监督作用。我们需要找一些难划分的负样本，也就是hard negative，来增强网络的判别性能。
在训练好分类器之后进行分类，但是发现，分类器效果不是很好，经常会得到一些错误的正样本（其实是负样本），这个时候这些判别错误的样本可以作为负样本继续训练网络。
2. 具体的流程
- 在检测问题中，预定义的分类器得到的错误结果，也就是FP，记录其对应特征和分类器得到的概率。
- 重新训练，按概率值进行排序，再使用排序后的对应特征重新训练分类器
- 迭代以上过程