YOLO算法回归模型之回归的分析

  Yolo系列的目标检测算法在速度上大大的加强使得它能够被用来处理实时任务，但是在精度上又不能和基于region的算法相媲美。

  下面来说说Yolo是如何作为一个回归模型来进行目标检测和分类的。(仅仅是个人理解，勿喷)

  回归问题的条件/前提：

1） 收集的数据。（Yolo中的ground truth以及置信度）

2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。

  Yolo作为一个回归模型直接从特征图上预测出每个网格是否包含有目标以及包含目标的概率。那么问题来了，有没有人想过如何从特征图得到坐标和概率？就拿yolo来说，最后输出的7*7*30的结果中，你凭什么就能说哪几维是框的坐标哪几维是置信度呢？

  我个人理解的是在训练过程中，已知ground truth的前提下，能够建立一个从特征图到坐标和置信度等参数的一个回归方程，简单记为y=f(x)，f(x)是一个多项式，对于每一个参数（坐标、置信度）都会有一个系数，而网络要学习的就是这些参数。通过大量的数据以及构建的损失函数，最后得到一个完美的拟合曲线f(x)，然后将这个拟合函数用来测试。

以上纯属个人理解，大神有更好的理解请不吝赐教。谢谢！