了解 Yolo v1 研究论文中的损失函数答案

【问题标题】：Understanding the loss function in Yolo v1 research paper了解 Yolo v1 研究论文中的损失函数
【发布时间】：2018-03-28 13:00:29
【问题描述】：

我无法理解 YOLO v1 研究论文中的以下文字：

“我们使用平方和误差是因为它很容易优化，但是它并不完全符合我们的目标最大化平均精度。它加权定位误差同样与可能不理想的分类错误。此外，在每个图像中，许多网格单元不包含任何目的。这推动了这些细胞的“信心”分数趋近于零，通常会压倒细胞的梯度确实包含对象。这可能导致模型不稳定，导致训练早期出现分歧。为了解决这个问题，我们增加了边界框的损失协调预测并减少信心损失对不包含对象的框的预测。我们使用两个参数 lambda(coord) 和 lambda(noobj) 来完成此操作。我们设置 lambda(coord) = 5 和 lambda(noobj) = .5"

第一段中“压倒性”的含义是什么？为什么我们要减少置信度预测的损失（它不能已经很低，尤其是对于不包含任何对象的框）并增加边界框预测的损失?

【问题讨论】：

标签： computer-vision deep-learning yolo

【解决方案1】：

有些单元格包含对象，有些则不包含。模型通常对网格单元中对象的缺失（置信度为零）非常有信心，它使这些单元格的梯度远大于包含对象但没有很大置信度的单元格的梯度，它压倒了它们（即大约0.7-0.8)。因此，我们要考虑分类分数不太重要，因为它们不是很“公平”，为了实现这一点，我们将坐标预测的权重设置为大于分类的权重。

【讨论】：

感谢您的回答。我理解您关于分数“公平性”的观点，但我仍然无法理解为什么不包含对象的单元格的梯度会更高。如果您能详细说明有关渐变的这一点，将会非常有帮助。