ROI-Pooling主要用于Faster R-CNN等目标检测模型中，它将不同大小的特征图转换为固定尺寸，以便进一步处理。ROI是感兴趣区域，可以是原图的目标或特征图上的特征。在Fast R-CNN中，ROI由Selective Search获得，而在Faster R-CNN中则由RPN生成。ROI-Pooling操作包括将原图ROI坐标映射到特征图，然后进行最大池化或平均池化到固定尺寸。
GBD-Net的finetune有两步，第一步是微调一个没有GBD模块的基础网络，第二步是微调一个插入GBD之后的网络，然后两个模型整合到一起得到最终的模型。（怎么整合的？）
图1
可以看到没有GBD的基础网络微调model中有一层roi-pooling，最近经常看到，现在来学习一下。
FasterRcnn在输入的时候，对不同尺度的图像进行了reshape归一，而在对目标区域进行学习的时候，因为会生成各种尺度的框，所以也需要一个层来进行reshape，roi-pooling就是干这个事情的，跟前者的区别是：前者是针对输入图像的，后者是针对roi的，即输入是不同大小的featuremap，输出是固定尺寸的featuremap 。现在，我们定位出了它的位置以及需要发挥的功能，那么我们来看看roi-pooling的操作对象：ROI。
ROI就是region of interest,说白了就是感兴趣区域，如果是原图，roi就是目标，如果是featuremap，roi就是特征图像目标的特征了。总之就是一个框。它在Fast-RCNN中和Faster-RCNN中有所区别：前者是经过Selective Search得到的，后者是经过RPN得到的。就是推荐框的
最低0.47元/天 解锁文章
扫一扫
857
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
