1、目标检测中的“样本”概念：
并非groundtruth，也非图片。指的是真正投入网络参与loss计算及其正反向传播的边界框，这些框是算法根据groundtruth预测出来的。框中有样本且类别正确则为正样本，框中无样本或样本类别错误则为负样本。在one-stage算法中的样本就是正负比为1:3的Regin Proposals，在SSD中就是正负比为1:3的Prior boxes，在YOLOv1中就是98=7*7*2个bounding boxes(负样本居多)。
2、假设在一个单类别检测问题中的样本有两类(背景算1类)，分布如下：
(1)P=Positive:
目标检测中的类别plane，设其为正样本；
(2)N=negative:
目标检测中的类别background，设其为负样本；
(3)TP=True Positive:
把plane正确检测为plane框的数量(正确的plane框)；
(4)FP=False Positive:
把background错误检测为plane框 的数量(错误的plane框)；
(5)TN=True Negative:
把background正确检测为background框的数量(正确的background框)，识别为背景的框(非目标)一般在算法结束时，统一清除不显示；
(6)FN=False Negative:
把plane错误检测为background框的数量(错误的background框)。
3、公式：
(1)精确度(Precision)：Precision = TP/(TP+FP)；
反映了检测器检测到的某类别目标中，真正的属于该类别的所占比例；
(2)召回率(recall)：Recall = TP/(TP+FN)；
反映了检测器检测到的某类别目标中真正的属于该类别的数量，占该类别groundtruth数量的比例；
(3)虚警概率(False Alarm)：FA= FP/(TP + FP)；
反映了检测器检测到的某类别目标中，误检目标数量所占比例。
4、举例(目标检测中各项指标都是针对某一类别的最终结果来定义的)：
(1)例1(单类别检测)：
单类别检测，检测网络在一张有8个飞机的图片上生成了10个框，均识别为plane，即：
P=8,
N=2；
10个plane框里有6个框里确是plane，另4个框里实际是background，即：
TP=6，
FP=4；
2个漏检的plane实际被检测为背景，即：
TN=0，
FN=2；
因此，这个网络在这张图片上的针对plane类别的各项指标为：
Precision = TP/(TP+FP)=6/(6+4)=0.60
Recall = TP/(TP+FN)=6/(6+2)=0.75
FA= FP/(TP + FP)=4/(6+4)=0.40
(2)例2(多类别检测，对于某一类别，其他类别都算负且都参与TN计算)：
双类别检测，检测网络在一张有8个plane和2辆car的图片上生成了10个框，6个识别为plane，4个识别为car即(括号内是针对car类的指标)：
P=8,(P=2)
N=2；(N=8)
6个plane框里有4个框里确是plane，1个框里实际是car，1个框里实际是background(4个car框中有2个确实是car，1个里面实际是plane，1个里面实际是background)，即：
TP=4，(TP=2)
FP=2；(FP=2)
4个未被正确识别的plane中，3个实际被检测为background，1个实际被检测为car(1个未被识别的car实际被检测为plane)，即：
TN=2，(TN=4)
FN=4；(FN=0)
因此，这个网络在这张图片上的针对plane类别的各项指标为：
①Precision = TP/(TP+FP)=4/(4+2)=0.67
②Recall = TP/(TP+FN)=4/(4+4)=0.50
③ FA= FP/(TP+FP)=2/(4+2)=0.33
同理，这个网络在这张图片上的针对car类别的各项指标为：
① Precision = TP/(TP+FP)=2/(2+2)=0.50
② Recall = TP/(TP+FN)=2/(2+0)=1.00
③ FA= FP/(TP+FP)=2/(2+2)=0.50