fast_rcnn中的RoI pooling layer的理解

在rcnn中，是在原图上将region proposals 提取，然后再依次送进CNN中做卷积，但是由于proposals之间像素是重叠的，因此就多了很多卷积运算，因此，在fast_rcnn，先将原图送到CNN中进行卷积，得到一个feature map图，然后将原图上的region proposals映射到feature map，但是映射之后的region proposals大小尺寸不一样，我们在feature map上提取之后，得到的向量长度不一样，没有办法做后续的卷积或是全连接，因此需要ROI pooling，将大小不一样的region proposals 池化为大小一样的，即HXW。

下图是roi pooling 层的作用：

下图是roi pooling 层的做法：

feature map中选取channel 0，然后将region proposals映射到feature map 上，例如映射之后的是8x8，那么在channel 0上的pooling 是这样的，将8x8分成WXH个子块，这里是2x2，那么每个子块就是4x4，在这4x4中只取最大值来替代这个子块，这样就得到了WXH的大小，这里是2x2；feature map的每个channle 都按照下面的方式进行roi pooling ，这样每个region proposals就得到了pooling 过的feature map。