ROI 详解
SPPNet、roi pooling 和 average pooling之间的区别，都是起到对任意大小的输入产生固定的输出的作用。其中SPPNet、roi pooling是一样的。
下面对ROI Pooling 进行详解：
- ROI是Region of Interest的简写，指的是在“特征图上的框”；
- POOling是一个池化操作。
可以再了解一下这个概念【region proposal】：
给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置的bounding box。这些通常称之为region proposals或者 regions of interest（ROI）。
ROI Pooling的输入
输入有两部分组成：
- 特征图：通过神经网络的特征图feature map；
- rois：在Fast RCNN中，指的是Selective Search的输出；在Faster RCNN中指的是RPN的输出，一堆矩形候选框框，size为[1x5x1x1]（4个坐标+索引index），其中值得注意的是：坐标的参考系不是针对feature map这张图的，而是针对原图的（神经网络最开始的输入）左上角和右下角坐标。
ROI Pooling的输出
输出是batch个vector，其中batch的值等于RoI的个数，vector的大小为channel * w * h；RoI Pooling的过程就是将一个个大小不同的box矩形框，都映射成大小固定（w * h）的矩形框。
ROI pooling具体操作
- 根据输入image，将ROI映射到feature map对应位置；
- 将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）；
- 对每个sections进行max pooling操作。
下面拿官网的图来举个栗子吧~假设我们要对一个8*8大小的feature map进行ROI pooling操作，其1含有一个ROI，需要输出大小为2*2.
- 输入的feature map 如下
- region proposal 投影之后位置（左上角，右下角坐标）：（0，3），（7，8）。
我们先把roi中的坐标映射到feature map上，映射规则比较简单，就是把各个坐标除以“输入图片与feature map的大小的比值”，得到了feature map上的box坐标。
- 将其划分为（2*2）个sections（因为输出大小为22），通过第二步，我们可以发现，所得到的矩形框大小为5x7，输出为2x2，所以在57的特征图划分成2*2的时候不是等分的，行是5/2，第一行得到2，剩下的那一行是3，列是7/2，第一列得到3，剩下那一列是4。因此，我们可以把这个矩形这样划分：
- 然后对这个2x2的区域进行max pooling操作。
下面是一个动态图，可以更形象的说明整个roi pooling的过程：
参考：
- Region of interest pooling explained
- ROI Pooling层解析