我正在进行图像处理领域的机器学习研究。我希望通过使用方向梯度直方图（HOG）和支持向量机（SVM）来确定图像中物体的位置。我已经阅读了一些关于训练SVM的文章和教程。设置非常标准。我已经标记了正样本训练图像，现在需要生成一组负样本训练数据。

在文献中，常见的方法是通过随机选择位置来生成负样本训练数据。我还看到了一些方法，这些方法在选择随机负样本之后的步骤中，将检测到的误报再次用作负样本训练数据。然而，我在想是否可以从一开始就普遍使用这种方法。也就是说，只随机生成一个假训练样本，运行检测，然后将误报再次放入负样本训练集中。这对我来说似乎是一个显而易见的方法，但我怀疑自己是否遗漏了什么。

回答：

这种方法背后的理论在P. Felzenszwalb、R. Girshick、D. McAllester、D. Ramanan的PAMI论文《基于部分模型的判别训练对象检测》中有详细说明。简而言之，你的初始负样本集并不重要，如果你迭代地添加难样本（SVM边界 > -1），你总是会收敛到相同的分类器。从单个负样本开始只会使这种收敛速度变慢。