图像特征提取，候选区域生成，候选区域特征提取（roi pooling），区域识别，去重
fm x: Cf, H, W
RoI b
y(b) = RegionFeat(x, b)
y(b): K, Cf. K比如是bin的数目
y_k(b): 第k个bin内的特征
一般表述：
将y_k(b)的支持区域由roi pooling的一个bin内部扩展到整个fm x。权重依赖于位置p，fm x和roi b。
权重计算如下：
引用原文： building connections between 4D bounding box coordinates and 2D image positions in our problem （是一种注意力，后续再深入这一点）
如图：
不同的k之间的差别： 只有使用的W不同？
支持域由roi范围扩大到整个fm，可以通过稀疏采样降低计算量，RoI内部密集一些，外部稀疏一些。
What is learnt?这部分十分有趣，感觉不同的k学到的东西和深度学习的分布式表示特性有关。
提升的原因是引入了更大的context吗
2954
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
