1、gallery和probe：
gallery是候选行人库，probe是待查询输入，也叫查询图像（query）。
2、single shot 和muti shot：
前者是指gallery中每个人的图像为一张（N=1），而后者是指gallery中每个人的图像为N>1张图像，同样的Rank-1下，一般N越大，得到的识别率越高。
3、rank-n：
搜索结果中最靠前（置信度最高）的n张图有正确结果的概率。
例如： lable为m1，在100个样本中搜索。
如果识别结果是m1、m2、m3、m4、m5……，则此时rank-1的正确率为100%；rank-2的正确率也为100%；rank-5的正确率也为100%；
如果识别结果是m2、m1、m3、m4、m5……，则此时rank-1的正确率为0%；rank-2的正确率为100%；rank-5的正确率也为100%；
如果识别结果是m2、m3、m4、m5、m1……，则此时rank-1的正确率为0%；rank-2的正确率为0%；rank-5的正确率为100%
4、Precision（准确率） 和 Recall（召回率）：
Precision就是检测出来的样本有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。
准确率Precision = 提取出的正确信息条数 / 提取出的信息条数
召回率Recall = 提取出的正确信息条数 / 样本中的信息条数
准确率和召回率都是针对同一类别来说的，并且只有当检索到当前类别时才进行计算，比如在person re-id中，一个人的label为m1，在测试集中包含3张此人的图像，检索出来的图像按照得分从高到低顺序为m1、m2、m1、m3、m4、m1….，此时
- 第一次检索到m1，提取出的正确信息条数=1，提取出的信息条数=1，样本中的信息条数=3，正确率=1/1=100%，召回率=1/3=33.33%；
- 第二次检索到m1，提取出的正确信息条数=2，提取出的信息条数=3，样本中的信息条数=3，正确率=2/3=66.66%，召回率=2/3=66.66%；
-
第三次检索到m1，提取出的正确信息条数=3，提取出的信息条数=6，样本中的信息条数=3，正确率=3/6=50%，召回率=3/3=100%；
5、AP和mAP：
AP衡量的是模型在单个类别上判断结果的好坏（效果好坏），mAP衡量的是模型在所有类别上的好坏。
看回第4点的那个例子：
当需要检索的人数为1时，AP=（100%+66.66%+50%）/3=72.22%
而当需要检索的不止1个人时，此时正确率则取所有人的平均mAP。
6、F-Score
Precision和Recall是对立关系的，一般情况下，Precision高，Recall就低；Recall高，Precision就低。
所以在实际中常常需要根据具体情况做出取舍，例如一般的搜索情况，在保证召回率的条件下，尽量提升精确率。
很多时候我们需要综合权衡这2个指标，这就引出了一个新的指标F-score。这是综合考虑Precision和Recall的调和值。
当β=1时，称为F1-score，这时，精确率和召回率都很重要，权重相同。当有些情况下，我们认为精确率更重要些，那就调整β的值小于1，如果我们认为召回率更重要些，那就调整β的值大于1。
比如上面第4点的例子中，在第三次检索到m1时的准确率为50%，召回率为100%，则F1-score=（2*0.5*1）/（0.5+1）=66.66%，而F0.5-score=（1.25*0.5*1）/（0.25*0.5+1）=55.56%
7、ROC：
ROC曲线全称是Receiver Operating Characteristic (ROC) curve（受试者工作特征曲线），是检测、分类、识别任务中很常用的一项评价指标。曲线上每个点反映着对同一信号刺激的感受性。
具体到识别任务中就是，ROC曲线上的每一点反映的是不同的阈值对应的FP（false positive）和TP（true positive）之间的关系。
通常情况下，ROC曲线越靠近（0，1）坐标表示性能越好。
我们先回顾下TP、TN、FP、FN的概念：
TP : True Positive 预测为1，实际也为1
TN：True Nagetive 预测为0，实际也为0
FP：False Positive 预测为1，实际却为0
FN：False Nagetive 预测为0，实际却为1
TPR=TP/(TP+FN)=Recall
FPR=FP/(FP+TN)，FPR即为实际为猫中，预测为狗占比
以FPR为x轴，TPR为y轴画图，就得到了ROC曲线，如下图所示：
8、CMC（很重要）：
CMC曲线全称是Cumulative Match Characteristic (CMC) curve，也就是累积匹配曲线，同ROC曲线一样，是模式识别系统，如人脸，指纹，虹膜等的重要评价指标，尤其是在生物特征识别系统中，一般同ROC曲线一起给出，能够综合评价出算法的好坏。
CMC曲线是 算top-k的击中概率，主要用来评估闭集中rank的正确率。
CMC将再识别问题看成是一种排序问题，CMC 曲线的具体含义是指：在候选行人库(gallery)中检索待查询(probe)的行人，前 r 个检索结果中包含正确匹配结果的比率。其中，第 1 匹配率 r=1 指标rank-1反映了最匹配候选目标刚好为待查询图片目标的概率，即该指标为真正的识别能力，因此很重要。但是当 r 值很小但大于1时，由于可以通过人眼进行辅助识别查找目标，因此也很有现实意义，如第 5 匹配率 r=5 指标反映前 5 个匹配候选目标中存在待查询图片目标的概率，如下图：横坐标表示排名等级r，纵坐标表示再识别的准确率。
比如有n个样本，现在想测试算法的性能，那么拿1个测试样本依次和这n个样本分别算取一个距离，然后排序，看该测试样本的标签位于前top-k，最后统计得到CMC曲线。
注：top-k的意思就是第k次命中
举例：
假如在人脸识别中，底库中有100个人，现在来了1个待识别的人脸（假如label为m1），与底库中的人脸比对后将底库中的人脸按照得分从高到低进行排序，我们发现：
- 如果识别结果是m1、m2、m3、m4、m5……，则此时rank-1的正确率为100%；rank-2的正确率也为100%；rank-5的正确率也为100%；
- 如果识别结果是m2、m1、m3、m4、m5……，则此时rank-1的正确率为0%；rank-2的正确率为100%；rank-5的正确率也为100%；
- 如果识别结果是m2、m3、m4、m5、m1……，则此时rank-1的正确率为0%；rank-2的正确率为0%；rank-5的正确率为100%；
同理，当待识别的人脸集合有很多时，则采取取平均值的做法。例如待识别人脸有3个（假如label为m1，m2，m3），同样对每一个人脸都有一个从高到低的得分，
- 比如人脸1结果为m1、m2、m3、m4、m5……，人脸2结果为m2、m1、m3、m4、m5……，人脸3结果m3、m1、m2、m4、m5……，则此时rank-1的正确率为（1+1+1）/3=100%；rank-2的正确率也为（1+1+1）/3=100%；rank-5的正确率也为（1+1+1）/3=100%；
- 比如人脸1结果为m4、m2、m3、m5、m6……，人脸2结果为m1、m2、m3、m4、m5……，人脸3结果m3、m1、m2、m4、m5……，则此时rank-1的正确率为（0+0+1）/3=33.33%；rank-2的正确率为（0+1+1）/3=66.66%；rank-5的正确率也为（0+1+1）/3=66.66%；
应该是比较好理解的，行人重识别中的CMC也是跟人脸识别差不多。
规律总结：
①rank i 的值是趋于1的。也就是说，给的机会越多（即测试次数越多），那么识别的准确度越好；
②如果每次测试对应的类都是识别率最高的话，那么就是一次命中，即Rank i=100%（i=1,2,3,…）；
③如果一个样本按照匹配程度从大到小排列后，到最后一项才匹配到正确标签（甚至最后一项都没匹配对），这就说明分类器不太好，把最应匹配的判别成最不应匹配的。