1. CMC： Cumulative Matching Characteristics 累计匹配特征

CMC是一种计算 top-n 的评价指标，主要用来评估闭集中rank-n的正确率。
下面举例说明：
在双模态特征匹配中。底库 Gallery 中有10条数据（label分别为1，2，3，4···10），现在来了一个待查询 query的数据（label = 1）。通过模型提取特征并计算相似度以后，如果和Gallery中的数据按照相似度从高到低进行排序后，得到的识别结果是：

1. {1，2，3，4，5···，10}, 因为第一个就已经匹配上了，所以说rank-1 = 100%
2. {2，1，3，4，5···，10}, 因为第一个计算出来的label是2，没有匹配上，因此 rank-1 = 0， rank-2 = 100%，rank -5同理肯定也是100% 因为前两个已经得到了正确的结果，那么前五个中一定包含正确的结果。

• 如果存在多条query数据时，CMC指标一般会直接 取平均 的做法

2. mAP： mean Average Precision

mAP 其实就是对AP的平均值，因为mAP是对准确率进行两次平均以后的一个评价指标，因此我们需要首先明确准确率precision、召回率 recall的概念：
在一般情况下，Precision就是指检索出来的条目有多少是正确的，而Recall则表示库中所有正确的条目，有多少被检索出来。
可以表示为以下公式：
$$Precision=\frac{检索出来的正确信息数目}{检索出来的信息总数}$$

$$Recall=\frac{检索出来的正确信息数目}{库中的信息总条数}$$

• 需要注意的是Precision和Recall都是针对某一个类别而言的。
  在信息检索领域，AP指的是不同召回率上正确率的平均值。而现在的有些检索系统为了能够快速返回结果，在计算AP时就不再考虑召回率。换句话说，如果数据库中和查询信息相关的5条信息，分别出现在查询结果中的第1、3、6、9、10位，那么这次查询的AP就是：
  $$AP=\frac{(\frac{1}{1}+\frac{2}{3}+\frac{3}{6}+\frac{4}{9}+\frac{5}{10})}{5}=0.62$$
  而多次查询的AP值的平均，也就是mAP，附图说明：