（杂）解释 为什么目标检测不直接预测真实坐标

为什么输出的8个维度可以代表 4coord 3classes 1conf？

我的理解是：
原因是：输入数据标签格式就是这样子，网络这么搭，才能通过参数不断的更新，学习，得到合适的值，以提取到“合适”的特征区分类别，拟合4个坐标点 的目的。

yolo v1中就是直接预测真实坐标，但是这样会导致定位不准确，yolo v2, v3对此做出了改进，定位不准确的原因其中一个是：

预测坐标为Px, 真实坐标为Gx，计算坐标loss时使用|Px-Gx|或者(Px-Gx)^2，假设计算出来的坐标loss为1，它对于大框来说，这个loss偏高，但是对于小框来说，这个loss偏低, yolo v1里对w, h取了平方根来缓和这个问题，但是不能解决这个问题，简而言之直接预测真实坐标产生的loss并不能真正反映预测框的好坏

yolo v1直接预测x, y, w, h，计算坐标loss使用平方差，yolo v1对w, h取了平方根，但是直接预测真实框的坐标值会导致定位不准确，原因是：假设这个loss为1，loss看起来很低，但是对于小框而言，轻微的坐标数值上的偏移，导致视觉上极大的预测偏差，假设这个loss为10，loss看起来很大，但是对于大框而言，很高的坐标数值上的偏移，导致视觉上很小的预测偏差，一句话总结：直接预测真实坐标所产生的loss并不能真正反映预测框的好坏(yolo v1对w, h取了平方根，可以有效缓解这个问题，但是并不能解决这个问题)
RCNN进一步优化了论文1中的bbox re