困难负例挖掘(hard negative mining)是2009年rbg等人发表在TPAMI上的trick，这个trick就类似于AI模型的“错题集”，把难以区分的sample添加进去继续训练。这是一个增加正负样本discrimination的trick，可以一定程度上减少误检。
原文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5255236
文章标题：《Object Detection with Discriminatively Trained Part-Based Models》
Hard Negative Mining
在早期的目标检测算法中，尤其强调正负样本均衡，在模型的最后一关，都会做一个“二分类”，是目标或不是目标。如Fast R-CNN(https://arxiv.org/pdf/1504.08083.pdf)中，使用的分类器是SVM，就使用了“困难负例挖掘”的技巧。
一些很容易被分类器误判的非目标样本被称为“困难负样本”（hard negative）。这样的例子很好举，比如你做球体检测的时候，背景中有一个圆形干扰物，这个原型干扰物就很容易被误当成目标物体，那这就是一个“hard negative”。
当某负例被分类器误判，模型就会自动把它标记为“负样本”然后丢进训练集重新训练。这一步，就类似于一个错题集。如果同一道题错多次那就是学生的不对了~
模型反复将“错题集”中的错题加入训练，然后一直到能有效区分这些困难负样本和正样本的过程，就叫做“难例挖掘”。
近年来，随着神经网络的发展，hard negative mining逐渐淡出视线。比如，faster R-CNN因为抛弃了SVM，自然而然就抛弃了这个trick(https://arxiv.org/pdf/1506.01497.pdf)。一切都得感谢强大的深度学习，就算不用这个trick，我们对着一直“煲汤”，时间够了也能达到这个trick的效果。不过，前辈留下的好东西，往往可以给我们留下很多启示。
总结
hard negative一直都是CV领域的难题，哪怕再强大的神经网络出现，也架不住训练数据的稀疏。难例是错检的罪魁祸首，所以Hard Negative Mining这个技巧需要被重视起来，不是只像fast rcnn中简单迭代而已。现在有了更成熟的生成式模型、强化学习等技术，其实可以更好的结合hard negative mining的。我们可以从多个维度对难例进行“挖掘”。
