IOU：
Precison
我們要找的目標爲狗，結果查找的目標中有貓。我們希望通過一個指標去描述這個問題，所以提出precision，描述查找一個目標的精準率。
Recall
明明右上角是一隻狗，結果沒有找出來，爲了表述這個問題，提出recall，描述查找一個目標的漏檢率。
我們將被正確識別的狗，稱爲True positives（TP）。我們將被正確識別的貓稱爲True negatives(TN)。(意思應該是沒有被框出來的，確實是貓的爲TN)目標是找狗，那麼那些沒有標註的貓，從反向說明了查找準確率（precision）。接着，定義被錯誤識別爲狗的貓爲False positives(FP)。被錯誤識別爲貓的狗稱爲False negatives(FN)（就是右上角的狗，受IOU指標影響）。
Precision=TP/(TP+FP) (所以這是按個數的？)
Recall=TP/(TP+FN)
Accuracy=(TP+TN)/(TP+FN+TN+FT)
非極大值抑制(Non-Maximum Suppression,NMS)
（1） 絕大部分目標檢測器的核心是分類器，即給定一個尺寸固定圖片，分類器判斷是不是目標；
（2）將分類器進化爲檢測器的關鍵是：在原始圖像上從多個尺度產生窗口，並resize到固定尺寸，然後送給分類器做判斷。
最常用的方法是滑動窗口-》非極大值抑制NMS，抑制冗餘框-》一個object只保留一個最優的框
（1）將所有框的得分排序，選中最高分及其對應的框
（2）遍歷其餘的框，如果和當前最高分框的重疊面積(IOU)大於一定閾值，我們就將框刪除。
（3）從未處理的框中繼續選一個得分最高的，重複上述過程。
參考：
忘記出處了0.0