||召回率（Recall）|| 

||精確率（Precision）||

||平均正確率Average_precision(AP) ||

||交除並（Intersection-over-Union（IoU））||

||非極大值抑制（NMS）||

定義：

True positives : 真陽|True negatives: 真陰 | False positives: 假陽| False negatives: 假陰 |

Precision 與 Recall

Precision其實就是在識別出來的圖片中，True positives所佔的比率： 
 
其中的n代表的是(True positives + False positives)

Recall 是True positives與測試集中所有的比值： 
 
Recall的分母是(True positives + False negatives) 

調整閾值

我們可以通過改變閾值，來選擇讓系統識別能出多少個圖片，當然閾值的變化會導致Precision與Recall值發生變化。

下圖為不同閾值條件下，Precision與Recall的變化情況： 

Precision-recall 曲線

如果你想評估一個分類器的效能，一個比較好的方法就是：觀察當閾值變化時，Precision與Recall值的變化情況。如果一個分類器的效能比較好，那麼它應該有如下的表現：讓Recall值增長的同時保持Precision的值在一個很高的水平。而效能比較差的分類器可能會損失很多Precision值才能換來Recall值的提高。通常情況下，文章中都會使用Precision-recall曲線，來顯示出分類器在Precision與Recall之間的權衡。 

Approximated Average precision

相比較與曲線圖，在某些時候還是一個具體的數值能更直觀地表現出分類器的效能。通常情況下都是用 Average Precision來作為這一度量標準，它的公式為： 
 
在這一積分中，其中p代表Precision ，r代表Recall，p是一個以r為引數的函式，That is equal to taking the area under the curve.

實際上這一積分極其接近於這一數值：對每一種閾值分別求（Precision值）乘以（Recall值的變化情況），再把所有閾值下求得的乘積值進行累加。公式如下： 

Interpolated average precision

不同於Approximated Average Precision，一些作者選擇另一種度量效能的標準：Interpolated Average Precision。這一新的演算法不再使用P(k)，也就是說，不再使用當系統識別出k個圖片的時候Precision的值與Recall變化值相乘。而是使用：  
也就是每次使用在所有閾值的Precision中，最大值的那個Precision值與Recall的變化值相乘。公式如下： 

下圖的圖片是Approximated Average Precision 與 Interpolated Average Precision相比較。  
很明顯 Approximated Average Precision與精度曲線挨的很近，而使用Interpolated Average Precision算出的Average Precision值明顯要比Approximated Average Precision的方法算出的要高。

一些很重要的文章都是用Interpolated Average Precision 作為度量方法，並且直接稱算出的值為Average Precision 。PASCAL Visual Objects Challenge從2007年開始就是用這一度量制度，他們認為這一方法能有效地減少Precision-recall 曲線中的抖動。所以在比較文章中Average Precision 值的時候，最好先弄清楚它們使用的是那種度量方式。

IoU

物體檢測需要定位出物體的bounding box，就像下面的圖片一樣，我們不僅要定位出車輛的bounding box 我們還要識別出bounding box 裡面的物體就是車輛。對於bounding box的定位精度，有一個很重要的概念，因為我們演算法不可能百分百跟人工標註的資料完全匹配，因此就存在一個定位精度評價公式：IOU。

IoU這一值，可以理解為系統預測出來的框與原來圖片中標記的框的重合程度。 

IOU定義了兩個bounding box的重疊度，如下圖所示：

矩形框A、B的一個重合度IOU計算公式為：

IOU=(A∩B)/(A∪B)

即檢測結果Detection Result與 Ground Truth 的交集比上它們的並集，即為檢測的準確率：

如下圖所示： 
藍色的框是：GroundTruth 
黃色的框是：DetectionResult 
綠色的框是：DetectionResult ⋂ GroundTruth 
紅色的框是：DetectionResult ⋃ GroundTruth

NMS

主要目的:

          在物體檢測非極大值抑制應用十分廣泛，主要目的是為了消除多餘的框，找到最佳的物體檢測的位置。

如上圖中：雖然幾個框都檢測到了人臉，但是我不需要這麼多的框，我需要找到一個最能表達人臉的框。

原理：

非極大值抑制，顧名思義就是把非極大值過濾掉（抑制）。下面是R-CNN中的matlab原始碼

function picks = nms_multiclass(boxes, overlap)
%%boxes為一個m*n的矩陣，其中m為boundingbox的個數，n的前4列為每個boundingbox的座標，格式為
%%（x1,y1,x2,y2）；第5:n列為每一類的置信度。overlap為設定值，0.3,0.5 .....
x1 = boxes(:,1);%所有boundingbox的x1座標
y1 = boxes(:,2);%所有boundingbox的y1座標
x2 = boxes(:,3);%所有boundingbox的x2座標
y2 = boxes(:,4);%所有boundingbox的y2座標

area = (x2-x1+1) .* (y2-y1+1); %每個%所有boundingbox的面積

picks = cell(size(boxes, 2)-4, 1);%為每一類預定義一個將要保留的cell
for iS = 5:size(boxes, 2)%每一類單獨進行
    s = boxes(:,iS);
    [~, I] = sort(s);%置信度從低到高排序

    pick = s*0;
    counter = 1;
    while ~isempty(I)
      last = length(I);
      i = I(last);  
      pick(counter) = i;%無條件保留每類得分最高的boundingbox
      counter = counter + 1;

      xx1 = max(x1(i), x1(I(1:last-1)));
      yy1 = max(y1(i), y1(I(1:last-1)));
      xx2 = min(x2(i), x2(I(1:last-1)));
      yy2 = min(y2(i), y2(I(1:last-1)));

      w = max(0.0, xx2-xx1+1);
      h = max(0.0, yy2-yy1+1);

      inter = w.*h;
      o = inter ./ (area(i) + area(I(1:last-1)) - inter);%計算得分最高的那個boundingbox和其餘的boundingbox的交集面積

      I = I(o<=overlap);%保留交集小於一定閾值的boundingbox
    end

    pick = pick(1:(counter-1));
    picks{iS-4} = pick;%保留每一類的boundingbox
end