precision和recall。这是论文中经常提及的两个概念。我们举这样的一个例子： 我们现在有一个检测狗的任务，但是这个任务数据中包含了猫。那么我们这个时候就有一个问题，我们怎么描述一个物体被检测出来呢？为此，我们引入了IOU这个概念？
我们规定IOU > 0.5表示物体被检测出来，否则没有。
现在我们有了这个指标，我们开始跑数据。假设我们已经把网络训练好了，接着找来一张图片测试（这张图片上有四个狗和三只猫），测试结果这样的（我们的目标是找图片中的狗）
标注的数字表示IOU值，我们只选择IOU > 0.5的物体。
那么，这个时候问题又出现了，我们怎么描述我们检测的结果怎么样呢？这个时候就出现了precision和recall。我们先不急着说明这两个概念是什么，我们先看上面的结果，我们发现，我们要找的目标是狗，结果查找的目标中有猫，这显然不是我们希望看到的。我们希望通过一个指标去描述这个问题，所以我们提出了precision，precision是描述查找一个目标的精准率。我们还发现一个问题，就是我们漏找了，明明右上角是一只狗，结果没有找出来，为了表述这个问题，所以我们提出recall，recall是描述查找一个目标的漏检率，recall很多地方翻译为召回率，我更喜欢称它为漏检率或查全率。
我们将被正确识别的狗，称为True positives。我们将被正确识别的猫称为True negatives。为什么会有这个概念？什么是被正确识别的猫？我们知道我们这里的目标是找狗，那么那些我们没有标注的猫，是不是从反向说明我们的查找准确率（precision）呢？接着，我们定义被错误识别为狗的猫为False positives。被错误识别为猫的狗称为False negatives（就是右上角的狗，受IOU指标影响）。这些概念很重要，不要记错了！！！
接着我们就定义：
我们就很容易的计算出这里的 precision=3/4，recall=3/4 。最后说一点，如果我们把IOU标准设置为IOU > 0的话，这个时候的recall会越来越接近于1，而相应的precision也会降低，这很容易理解。
