1. 常用术语

   gallery：底库，代表已注册的人脸库（以人脸识别为例）

   probe：探针，待识别的人脸图像；

                          分为p_n和p_g

                          p_n不在gallery中称为imposter

                          p_g在gallery中称为genius

   开集识别(open-set identification)：判断一个probe p_i是否属于gallery中的ID，如果在其ID是什么。p_i的ID可以不在gallery中。刷脸支付就是一个openset identification

   闭集识别(close-set identification):在gallery中找到probe p_i的所属ID。

   验证集：在训练深度学习模型时，为确定停止迭代点，将原训练集分成两部分，一部分用于训练（训练集）一部分（验证集）用于检测拟合状态，找到最优停止迭代点。

   
   

2. 模型评价指标

   混淆矩阵

   
   

   	标签为正	标签为负
   预测为正	TP（True positive）	FP(False Positive)
   预测为负	FN(False Negative)	TN(True Negative)

Precision,查准率：(所有预测为正的样本中的真正为正样本的比例)

Recall,查全率：(所有标签为正的测试样本中被检测正确的样本所占比例)

F-Score,precision和recall的调和平均值，更接近于precision和recall中较小的值：

Accuracy,分类器对整体样本的分类能力，

ROC曲线：横坐标为FPR，纵坐标为TPR:

AUC值：ROC 曲线下的面积，其值介于0.5到1.0之间，AUC值越大代表模型性能越好。

认证问题（1:1）常用的评价指标：

FAR（False Accept Rate）认假率（亦称作FMR：false match rate），表示错误的接受比例，与FPR等价，指不是同一人确被错误的认为是同一人 占 所有不是同一人比较的次数，计算公式如下

TAR(True Accept Rate)正确接受比例，与TPR等价，指是同一人且被正确识别为同一人占所有同一人比较的次数，计算公式如下

FRR（False Reject rate）错误拒绝率(亦称作FNMR:false non-match rate )，指是同一人但被认为是不同人 占 所有是同一人比较的次数，计算公式如下

FNMR@FMR=1e-6:先在数据集上计算出FMR=1e-6时的阈值，然后再根据这个阈值计算FNMR

TAR=0.998@FAR=1e-6:表示FAR=1e-6时对应的阈值T下，TAR的值为99.8%，对于1:1人脸验证来说FAR越低的情况下，TAR越高越好。

1:N人脸识别问题：

FAR指与gallery中相似度的人相似度大于T在中所占的比例，它是衡量模型对库外人脸的拒绝性能也是人脸识别系统安全性的保证，计算公式如下

DIR（detection and identification rate）:指与gallery中的真实结果S之间的相似度大于T，且大于其他所有与不是同一个人的相似度，在中所占的比例，DIR衡量的是库内人员的通过性能，计算公式如下

FAR越低的情况下，DIR越高表示模型的性能越好，即DIR@FAR=0.1表示FAR 为0.1时计算T，基于此计算出的DIR值

mAP: 先对每个类计算AP，将固定一个类别看做是二分类问题这样就能画出一条P-R曲线，然后计算曲线下的面积即该类的AP，计算出所有类的AP后取平均就是mAP.

===============================================

根据应用情景不同，各指具体算法略有不同，欢迎批评指正。

参考：

https://blog.csdn.net/sinat_29957455/article/details/109031471

https://wrong.wang/blog/20190223-reid%E4%BB%BB%E5%8A%A1%E4%B8%AD%E7%9A%84cmc%E5%92%8Cmap/

https://www.zhihu.com/question/41540197/answer/91698989