• 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