Histogram of Oriented Gradients and Object Detection
获得 records
对于目标检测（object detection）问题，所谓的 hard-negative mining 针对的是训练集中的 negative training set（对于目标检测问题就是图像中非不存在目标的样本集合），对该负样本集中的每一副图像（的每一个可能的尺度），应用滑窗（sliding window）技术。对每次滑窗捕获的图像区域，计算该区域的 HOG 描述子，并作为分类器的输入。
如果预定义的分类器将其错误地在其中检测出对象，也即 FP（false-positive，伪正），记录该 FP patch 对应的特征向量及分类器给出的概率。
negative_training = ... clf = ... num_negative_training = len(negative_training) records = [] for i in range(num_negative_training), for window in obtainSlideWindows(negative_training): hog = calcHOG(window) prob = clf.predict(hog) if prob > .5: records.append((hog, prob))重新训练 retrain
获得了伪正样本及其对应的概率值之后，又该如何处理这些 records 呢。根据概率值排序，再使用排序后对应的特征向量重新训练分类器：
records = sorted(records, key=lambda r: r[1], reverse=True) for hog, prob in records: clf.train(hog)迭代以上两个过程
