检测评价指标
本文使用平均精度(AP)，平均召回率(AR)，网络参数数目N 和参考时间成本T 作为评价指标对提出的船舶检测网络进行评估。

对于给定的交并比(IoU)阈值η，当IOU 大于η时，预测边界框Bp 被看作真阳性(TP)；否则，被看成假阴性(FN)。

在IoU 阈值η之内的精度P 和召回率R 可以被公式如下定义： P(η)=TP TP+FP
R(η)=TP TP+FN
其中，FP 表示假阳性，TP+FP 表示检测网络识别到的船舶边界框的总数，TP+FN 表示标注的船舶边界框的总数。

检测精度指的是检测到的船舶占总检测的比值，召回率指的是船舶检测器正确收集到的船舶标注示例占总标注的比值。

由于精度和召回率成反比，因此不可能同时最大化检测精度和召回率。

平均精度和平均召回率可以用以下公式表示：
AP =1|Γ|∑P(η)η∈Γ AR =1|Γ|∑R(η)η∈Γ
其中，Γ=[0.5,0.55,0.60,...0.95] 表示IoU 阈值的集合，|Γ| 表示集合的长度。

在本文的实验中，我们记录了在η=0.5时的平均精度AP .5 和η=0.75时的平均精度AP .75。

并且我们调整了AP S ,AP M ,AP L ,AR S ,AR M ,AR L 来分别分析船舶尺寸在大(边框区域>296)中(232边框区域<296)小(边框区域<232)情况下的平均精度和平均召回率。

本章小结
本章首先分析总结了自然场景图像、光学遥感图像和SAR 图像的异同，总结了它们在成像机理、信息反映等方面的差异，重点突出SAR 图像的优势。

接下来本章对SAR 图像在船舶检测领域的公开数据集进行简要介绍， 并总结数据集的特点以及图像分布等信息。

然后本章介绍了人工神经网络和卷积神经网络的发展历史，特点，和数学基础，为下文的算法介绍进行铺垫。

接着介绍了目标检测算法中交并比的概念，非极大值抑制方法以及边界框回归的原理。

最后点明本文工作所用的检测任务的评价指标。