1樓：Axel Stone
關於hard mining，比較生動的例子是高中時期你準備的錯題集。錯題集不會是每次所有的題目你都往上放。放上去的都是你最沒有掌握的那些知識點（錯的最厲害的），而這一部分是對你學習最有幫助的。
具體一點的解釋，我的理解是這樣的。假設你要在一張廚房的影象裡判別乙隻蜘蛛。由於廚房的影象裡objects（負樣本）可能有許多，蜘蛛（正樣本）樣本卻很少。
這時候hard mining的意義就是選出一些對訓練網路有幫助的負樣本部分，而不是所有負樣本，來訓練網路。比如說，training過程中，被當前模型誤判成蜘蛛最厲害的那些負樣本可以被挑出來，參與loss運算以及back propagation。
2樓：張春輝
對於目標檢測（object detection）問題，所謂的 hard-negative mining 針對的是訓練集中的 negative training set（對於目標檢測問題就是影象中非不存在目標的樣本集合），對該負樣本集中的每一副影象（的每乙個可能的尺度），應用滑窗（sliding window）技術。對每次滑窗捕獲的影象區域，計算該區域的 HOG 描述子，並作為分類器的輸入。
如果預定義的分類器將其錯誤地在其中檢測出物件，也即 FP（false-positive），記錄該 FP patch 對應的特徵向量及分類器給出的概率。
negative_training = ...
clf = ...
num_negative_training = len(negative_training)
records =
for i in range(num_negative_training),
3樓：捕頭
個人理解，大神請拍磚。
對於目標檢測中我們會事先標記處ground truth，然後再演算法中會生成一系列proposal，這些proposal有跟標記的ground truth重合的也有沒重合的，那麼重合度（IOU）超過一定閾值（通常0.5）的則認定為是正樣本，以下的則是負樣本。然後扔進網路中訓練。
However，這也許會出現乙個問題那就是正樣本的數量遠遠小於負樣本，這樣訓練出來的分類器的效果總是有限的，會出現許多false positive，把其中得分較高的這些false positive當做所謂的Hard negative，既然mining出了這些Hard negative，就把這些扔進網路再訓練一次，從而加強分類器判別假陽性的能力。ps：Fast中把IOU小於0.
1的作為hard example mining，是不是說也可以預先定義hard example。
Angular中import from 中的 的作用是什麼？
1.因為NPM上的公共包需要命名，而命名存在重名情況，對應特定專案下使用的包或者防止重名，可以用下scope package。有點類似於JS防止全域性變數汙染的，比如a是個全域性變數，但是怕被其他程式設計師寫的汙染，就會弄個dog.a或者pig.a 2.npm上管理的還有種情況也是scope pac...
計算化學中的metadynamics中的collective varible如何選取？
找這東西已經過時了 危言聳聽一下子，被嚇跑我不負責 現在用弦方法 string method 暴力算即可。弦方法是中中國人的驕傲，應用數學家鄂維南 於2000年左右開發的非常抽象的方法，在近年來漸漸被一些基礎好的人應用到生物模擬中，著名人物有Benoit Roux Eric Vanden Eijnd...
Teamcenter中的BOM模組中的版本規則在實際專案中起到什麼作用？
Benjamin Huang 一組前提性的基本常識 1 Item 用來指代實際業務場景中需要管理的零部件 2 乙個 Item 擁有至少乙個 Revision 3 這些 Revision 所包含的資料互不相同 4 這些 Revision 指代的都是同一種零部件，只不過指代的是該種零部件的不同版本 接下...