轉載自：http://www.cnblogs.com/rainsoul/p/6247779.html
首先將這個問題分爲分類問題與檢測問題兩個方面進行理解：
（1）在分類問題中，這個問題相對好理解一點，比如人臉識別中的例子，正樣本很好理解，就是人臉的圖片，負樣本的選取就與問題場景相關，具體而言，如果你要進行教室中學生的人臉識別，那麼負樣本就是教室的窗子、牆等等，也就是說，不能是與你要研究的問題毫不相關的亂七八糟的場景圖片，這樣的負樣本並沒有意義;
（2）在檢測的問題中，我理解着就不是那麼簡單了，因爲檢測問題需要做的事情是指出哪裏有什麼，也就是既要給出框，又要說明框中是什麼，在這種情況下，我們所具備的數據就是一些人工標註的圖片，這些圖片上有框，並且會給出框中的物體類別，我們需要運用這些數據生成訓練中的正負樣本數據，參考了faster以及SSD兩種檢測框架中對於正負樣本的選取準則，理解如下：
首先，檢測問題中的正負樣本並非人工標註的那些框框，而是程序中（網絡）生成出來的框框，也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默認框，這些框中的一部分被選爲正樣本，一部分被選爲負樣本，另外一部分被當作背景或者不參與運算。不同的框架有不同的策略，大致都是根據IOU的值，選取個閾值範圍進行判定，在訓練的過程中還需要注意均衡正負樣本之間的比例。