目标检测的基础知识

精确率，召回率，准确率的意思

• TP(True Positive): 正确的正类。（实际样本是正样本，模型正确的判断成正样本）
• FP(False Positive): 错误的正类。（实际样本是负样本，模型错误的把它当成正样本）
• TN(True Negative):正确的负类，（实际上是负样本，模型正确的预测为负样本）
• FN(False Negative):错误的负类，（实际上是正样本，模型错误的预测为负样本）

所以 Positive / Negative 是模型预测的结果，把那些样本预测成了 正类 / 负类 。
True / Flase 表示你的结果正确与否。不管你预测成正类或负类，True就是你预测对了，Flase就是你预测错了。

精确率

$$P=\frac{TP}{TP+FP}$$

精确率就是：在所有被模型预测为正类的数据中，预测真正的正类的占比。

召回率

$$R=\frac{TP}{TP+TN}$$

召回率：在所有真正的正类中，模型成功的预测了多少。

准确率

$$acc=\frac{TP+TN}{TP+FP+TN+FN}$$

准确率：在所有的样本中，模型预测正确的占比

目标检测中的准确率

由于目标检测中没有 TN（因为预测框太多，低于得分的都直接去掉了，没有加入评价指标中），所以这里令 TN 为 0。
$$acc=\frac{TP+TN}{TP+FP+TN+FN}=\frac{TP+TN}{TP+FP+FN}$$
$TP+FN$就是所有真实的目标，设为单位为1，那么$TP=1\ast R$,就是召回率，$FP=\frac{FP}{P}-TP=\frac{R}{P}-R$
$$\begin{array}{rl}acc& =\frac{R}{1+FP}\\ & =\frac{R}{1+\frac{R}{P}-R}\\ & =\frac{R}{\frac{P}{R}+\frac{R}{P}-\frac{RP}{P}}\\ & =\frac{RP}{P+R-PR}\end{array}$$
目标检测中常用的性能评价指标有Precision，Recall和F1 score。

对于Precision值，其代表的是你所预测出来准确结果占所有预测结果的准确性，对于Recall值，其代表的是你所预测出来准确结果占总体正样本的准确性。这样说有点难理解，举个例子吧。现在你手上有10个鸡蛋，里面有6个是好的，另外4个是坏的，你训练出一个模型，检测出8个鸡蛋是好的，但实际上只有5个是好的，另外3个是坏的。那么模型的Precision值为5/8=0.625，即表示你所预测出来的8个鸡蛋中只有5个是好的，其值只在你预测结果中计算得到，Recall值为5/6=0.833，即表示总共有6个正样本，你预测出来5个，表示的是你预测出来的正样本占总正样本的比例。(正样本理解为你要检测的目标)

recall也叫召回率，记做R，表示你预测的结果中有多少正样本被正确检测出来，当R=100%的时候，表示没有漏检；

precision也叫精确率，记做P，表示你预测的结果中有多少样本是正确的，当P=100%的时候，表示没有误检。

清楚这个，我们就能根据不同的任务来对应提高Precision或者Recall值，一般来说，提高一个，另一个的值则会降低。所以AP曲线是由Recall和Precision两个维度下曲线下面包围的面积，一般Recall比较低的时候，Precision比较高，Recall比较高的时候，Precision会比较低。

从算法层面：a. 对于想提高Precision，使得二分类器预测的正例尽可能是真实正例，那么应该提高二分类器预测正例的阈值，使得预测出来的结果尽可能是正确的；对于想提高Recall，使得二分类器尽可能将真实的正例挑选出来，那么应该降低二分类器预测正例阈值，使得预测出来的结果尽可能包含更多的正样本，即可以简单调整socre的阈值。