Roi pooling,Roi Align,Precise Roi pooling

为什么要使用ROI pooling？

在RCNN中，整体流程是：先在原图中截取大约2K个region proposals 然后送入CNN网络进行训练，训练完成后用分类器进行分类，完成物体的检测。

但是这个结构会出现问题：

• 产生大量的region proposals 会导致performance problems，很难达到实时目标检测。
• 在处理速度方面是suboptimal。
• 无法做到end-to-end training

因此为了改善这种情况，引出了ROI pooling ，ROI pooling层能够实现training 和testing的显著加速，并且提高基恩侧效率。

1. 从具有多个卷积核池化的深度网络中获得的固定大小的feature maps；
2. 一个表示所有ROI的N*5的矩阵，其中N表示ROI的数目。第一列表示图像index，其余四列表示其余的左上角和右下角坐标；

ROI Pooling

如上图所示，在对特征进行ROI pooling 的时候先对特征缩小16倍，（16倍的原因在Fast RCNN中，此处不做详细解释），原来的特征是第一幅图虚线部分，但是由于一些特征除不尽16，比如100*200，因此需要对特征进行向下取整，得到一个整数（就是实线框部分），