问YOLO对象检测:该算法如何预测大于网格单元格的边界框？

EN

好吧，这不是我第一次看到这个问题，对于我在yoloquest中遇到的所有yoloquest体系结构来说，都有同样的问题，网络图在第一层或者图像被输入的那一刻没有暗示某种分类和本地化。它通过一系列卷积层和过滤器(没有忘记池，只是觉得它们是网络中最懒的元素，而且我讨厌游泳池，包括其中的单词)。

• 这意味着在网络流的基本级别上，可以看到或表示不同的信息，从像素到轮廓、形状、特征等，然后才能正确地对对象进行分类或定位，就像在任何正常的CNN中一样。 由于表示边界框预测和分类的张量位于网络的末尾(我看到反向传播的回归)。我认为更恰当的说法是，该网络：

1. divides the image into cells(actually the author of the network did this with the training label datasets)
2. for each cell divided, tries to predict bounding boxes with confidence scores(I believe the convolution and filters right after the cell divisions are responsible for being able to correctly have the network predict bounding boxes larger than each cell because they feed on more than one cell at a time if you look at the complete YOLO architecture, there's no incomplete one). 

因此，最后，我的看法是，网络预测一个单元的更大的包围盒，而不是每个单元都这样做--网络可以被看作是一个正常的CNN，它有each classification + number of bounding boxes per cell的输出，其唯一目的是应用卷积和特征映射来用forward pass检测、分类和定位对象。

forward pass暗示分裂中的相邻细胞不会向后/递归地查询其他细胞，通过下一个特征映射和卷积来预测更大的边界框，从而连接到以前细胞分裂的接受区域。此外，方框的中心化是一个函数的训练数据，如果它被更改为最左，它将不会是中心化(原谅语法)。