yolov1算法中的几个疑问与答案

       先挂论文地址：YOLOv1论文You Only Look Once: Unified, Real-Time Object Detection

       目前，有很多研发工作者对YOLO系列做了很多详细细致的解读，比较推荐作者魏凯峰，CSDN昵称“AI之路”，对目前主流的网络都做了系列性的解读，非常细致，也非常有深度。我在此，只是记录下，我学习中遇到的几个疑问以及目前我自己的理解。

       关于YOLOv1细致解读请见，YOLO（You Only Look Once）算法详解

       疑问1： YOLOv1将输入图像划分成7x7的grid cells，每个cell预测2个bouding box（BBox），那如何挑选出预测每个类的BBox?

       答案：YOLOv1 预测输出为 SxSx(Bx5+C)，其中， S为7个grid cell，B为2个BBox，C为20个类，5为坐标值4个（xywh）和1个confidence. 在目标检测后处理阶段，对于每个grid cell，会预测2个bbox及其confidence，用每一个confidence乘以20个类的概率，获得一个confidence score矩阵，其维度为 7x7x2x20。然后对20个类别轮流进行：在某个类别中（即矩阵的某一行），将得分少于阈值（0.2）的设置为0，然后再按得分从高到低排序。最后再用NMS算法去掉重复率较大的bounding box。NMS的过程，在此就不累述了。

        我个人感觉还有个更合理的方法：当获得了7x7x2x20的confidence score矩阵后，每个BBox根据20类的confidence score的排序，将自己标记为排名最靠前的类标签。这样一类，就可以获得一个7x7x2的confidence score的矩阵以及7x7x2预测类别的矩阵，然后将同类的所有BBox及其confidence score提取出来，在进行NMS，可能更准确。前提是，每个BBox只能预测一个object。

       疑问2：在论文中，作者提到了BBox预测的置信度confidence可以通过预测obj的概率和IOU的乘积所得，那网络模型输出的confidence有何用？在推测阶段时，没有正值，如何计算IOU咧？

      答案：这个问题需要分训练和推测两个阶段来讨论。在训练时，网络输出的confidence，实际上，没有被使用。论文中提到计算的confidence，是为了计算confidence损失，在有object的grid cell中，GT confidence为1，预测confidence为论文中提到的计算方法计算得出的。在推测时，不需要通过计算得到confidence，直接把网路预测的confidence拿来用即可。

                        

      疑问3：损失函数如下所示，在loss第二行中，对长和宽进行了开根号，这么做的原因是什么？

                            

       答案：因为小目标相对于大目标对误差更敏感，为了突出这个小目标对误差的敏感度，不得已为之。比如：真值w=10，h=20，预测出来w=8，h=22，跟原来w=3，h=5，预测出来w1，h=7相比，其实前者的误差要比后者小，但是如果不加开根号，那么损失都是一样：4+4=8，但是加上根号后，变成0.15和0.7。

      疑问4：yolov1的优缺点？

      优点：1. YOLO的速度非常快。2. YOLO是基于图像的全局信息进行预测的。这一点和基于sliding window以及region proposal 等检测算法不一样。与Fast R-CNN相比，YOLO在误检测（将背景检测为物体）方面的错误率能降低一半多。3. YOLO可以学到物体的generalizable representations。可以理解为泛化能力强。

      缺点： 1. 位置精确性差；2. 对小目标、密集型目标不友好，比如，鸟群，对重叠性的目标群体不友好，比如一个小女孩抱一个布娃娃； 3. YOLO虽然降低了将背景检测为物体的概率，但同时导致召回率较低；4. 网络中未使用BN。

       后续再更新代码中的疑问！