我无法理解Yolo V1研究论文的以下文本：
"我们使用sumpared错误，因为它易于优化，但是，它与我们的目标并不完全一致最大化平均精度。它加权本地化错误同样，分类误差可能不是理想的。另外，在每个图像中，许多网格单元不包含任何目的。这推动了这些细胞的"信心"得分朝零，通常使细胞梯度越来越大确实包含对象。这可能导致模型不稳定性，导致培训尽早分歧。为了解决这个问题，我们增加了边界框中的损失协调预测并减少信心的损失对不包含对象的框的预测。我们使用两个参数，分别是lambda(coord(和lambda(noobj(来完成此操作。我们设置lambda(coord(= 5和lambda(noobj(= .5"
在第一段中"压倒性"的含义是什么，为什么我们会从信心预测中减少损失(必须已经很低，尤其是对于不包含任何对象的盒子(并从边界框预测中增加了损失？
有一个包含对象而不包含对象的单元格。模型通常对网格单元中物体的缺失(零置信度(非常有信心，它使这些单元的梯度比包含物体但没有巨大信心的单元的梯度大得多，它使它们超越了(即围绕着物体(0.7-0.8(。因此，我们希望认为分类得分不太重要，因为它们不是很"公平"，要实施这一点，我们对坐标预测的权重大于分类。