标签：学习 yolov1 物体 预测出 cell bbox 根号

一、损失函数

x,y:预测出的bbox的中心点坐标。
w,h:预测出的bbox的长与宽。
x^ , y^:已标注bbox的中心点坐标。
w^ ,h^:已标注的bbox的长与宽。
根号w,根号h：减少大物体边框的影响。不然的话损失函数会被大物体所左右，这样只会学到大物体的信息。
λcoord：可以取5，为了平衡“非物体”bbox过多的影响。比如一个7*7的特征图，每个cell预测两个bbox，那么会有98个小格(yolov1的每个cell预测两个bbox)，可是真实物体只有三个。

下面的式子是学习背景的，是必须要存在的，比如分类问题中，假如有n类物体，实际要分类的是n+1类物体，还有一类就是无处不在极其复杂的背景，所有学习的是n+1类物体的特征。如果只学习狗的特征，那么在实际预测中就会把那些很像狗但不是狗的物体识别成狗，所以除了学习真实物体，还要加入学习背景的信息。

softmax的求导，softmax与CE结合，结合后的求导

二、优缺点

优点：one stage 确实快。
缺点：对拥挤物体检测不太好，因为每个cell只检测一个物体（物体中心落在这个cell的物体）。那么如果两个物体中心都落在这个cell的话就没法检测出两个物体。
对小物体检测不好。
对new width-height ratio物体不好
没有Batch Normalize

标签：学习,yolov1,物体,预测出,cell,bbox,根号
来源： https://blog.csdn.net/phily123/article/details/120679214

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。