我无法理解 YOLO v1 研究论文中的以下文字：
我们使用平方和误差，因为它很容易优化， 然而它并不完全符合我们的目标 最大化平均精度。它对定位误差进行加权 同样地，分类误差可能并不理想。 此外，在每个图像中，许多网格单元不包含任何 目的。这会提高这些细胞的“置信度”分数 趋向于零，通常会压倒细胞的梯度 确实包含对象。这可能会导致模型不稳定， 导致训练早期出现分歧。 为了解决这个问题，我们增加了边界框的损失 协调预测并减少信心损失 对不包含物体的盒子的预测。我们 使用两个参数 lambda(coord) 和 lambda(noobj) 来完成此操作。我们 设置 lambda(coord) = 5 和 lambda(noobj) = .5
第一段中“压倒性”的含义是什么？为什么我们要减少置信度预测的损失（一定不能已经很低，特别是对于不包含任何对象的框）并增加边界框预测的损失？
有些单元格包含对象，有些单元格不包含对象。模型通常对网格单元中不存在对象（置信度为零附近）非常有信心，它使这些单元的梯度远大于包含对象的单元的梯度，但信心不高，它压倒了它们（即周围0.7-0.8）。 因此，我们希望考虑分类分数不太重要，因为它们不是很“公平”，为了实现这一点，我们使坐标预测的权重大于分类的权重。