今天分享一篇其他人写的博文，是看到现在大多数temporal action localization文献中大多采用tIOU的方式打分而不了解其原理查到的。
https://www.voorp.com/a/tiou
Recall用于衡量真值框G被召回的比例，即真值框G中有多少是被正确预测到的；
Precision用于衡量检测框D的精确程度，即预测到的检测框D中，都多少是真的。
传统方法
设定的iou阈值为0.5，即与的iou超过0.5，则为1，反之为0。
recall：对于每一个真值框计算iou>0.5的部分。
precision:对于每一个预测框计算iou>0.5的部分。
对检测方法的衡量：
hmean(F1-measure):
SIoU
使用与的具体iou值作为衡量，如果iou<0.5则被设置为0。
iouRecall: 对于每一个真值框计算iou>0.5的部分。
iouPrecision:对于每一个预测框计算iou>0.5的部分。
对检测方法的衡量：
iouHmean:
TIoU-metric
现有评价指标存在的问题，如图：
(a) 蓝色的框并没有完整的检测出“province”，在检测不完全的情况下，IOU达到一定阈值即认为检测到了，这在文本检测中会丢失信息。识别部分无法识别出检测所丢失的信息。
(b)、©、(d)含有背景噪声，但此时precision已经是100%，会给识别带来影响。例如，©中，识别模型很难区分哪一个ground-truth才是detect所真实对应的。(d)中同时遇到了(a)和©的问题。
图1-1：行文本检测案例（蓝色的为detect，红色的为ground-truth）
在行文本检测中，有三种情况（蓝色的为detect，红色的为ground-truth）：
一对一（one to one）：
一对多（one to more）
多对一（more to more）
检测的目的是为了识别，以往的评价指标并没有关注文本内容等信息，TIoU提出三个概念去加强文本内容信息：
1、text instance不能被分割成多个文本区域
2、annotation应该尽可能包含更少的背景噪声，特别是别的文本实例内容
3、annotation应该尽可能的被检测得到的text instance完美匹配
此评价指标要求更关注GT的每一个部分，确保文本的完整性；并且将其他文本的GT包含进来将会被惩罚，更关注检测结果的简洁。指标输出有区分性，不单单是一个阈值，即0.9的iou比0.5iou指标更高。
TIoU-Recall：关于TIoU的计算，引入了一个惩罚机制即交集与GT的一个比例惩罚限制最终指标，避免一个阈值决定结果，出现对识别部分的干扰。
TIoU-Precision：如果一个检测结果覆盖了好几个GT，这样的情况也会有个惩罚，毕竟框进来别的文本会对识别造成干扰而导致识别出错。
Tightness-aware Metric：评价检测框的紧密程度，计算detect和ground-truth的匹配程度时不是1就是0，如果阈值是0.5，导致了IOU0.51和1的结果是相同的。
在该评价方式中，解决一对多，多对一的方式是：
具体计算方法：
以下，A()代表Area，表示面积, A(∗) means the area of the region 。
tiou-Recall: 在衡量one to many的情况（一个真值框对应多个检测框）中，检测框是检测到真值中的一部分，造成识别错误，需要对这类检测框加以惩罚。
对于第i个真值框，真值框中的漏检部分：
真值框与检测框的重合比例:
即 Gi被检测到的面积 = 1-Gi漏检的面积Gi的面积
所以，每一个真值框i的recall为：
tiou-Precision: 在衡量many to one（一个检测框对应多个真值框）中，如果检测框范围过大，包含了多个真值框，对识别造成影响，则需要对检测框加以惩罚。
对于第j个检测框，检测框中所有异常的真值框的面积为：
检测框的重合比例为：
所以，每一个检测框的precision为：
对检测方法的衡量
tiou-Hmean:
IoU-metric
所有检测框和所有真值框交集面积/所有检测框和所有真值框并集面积。
补充：ICDAR 2015 IoU Metric
To be considered a correct detection, the value of Intersection-over-Union must exceed 0.5.