目标检测特殊层：RFCN中PSROIPooling层

    RFCN是基于Faster RCNN的工作，base net得到feature maps, 用RPN得到proposals。由于classification需要固定长度的feature vector，就需要ROI pooling layer + fully connected layer来获得，但是这个过程会去除目标的位置信息，而这个信息对于检测问题，至关重要。所以，RFCN提出position-sensitive score maps来解决这个问题。

position-sensitive ROI pooling layer的输入是ROI features, 输出是C+1维的特征向量。 
以k=7, C=20为例，具体的数据形式如下：

    其实在第二个卷积的时候，它产生的7*7*21个输出，是不知道具体所谓的位置信息的，而是后面的position-sensitive roi pooling这一步的特定选取规则，使得对于每一类，这49个maps产生了差异，在训练的时候，为了使最后的损失函数最小，这49输出对应的kernel就慢慢地显现出差异。

    rfcn的核心是延续fastRCNN的思想：对于每一个proposal，所有的卷积操作（费时的操作）都只做一次。fastRCNN提出baseNet，让proposal从feature map上寻找roi，但是不同的proposal还是得重复进行后面的全连接层；rfcn提出psROIpooling, 让proposal从bbox map和score map上寻找roi，从而取消全连接层，这样不同的proposal做的重复的事情，就只有后面的average pooling。其实，per roi map还是二维的，最后二维变成一维是通过average pooling来实现的。

示例图如下：

RFCN解决的问题：

1：平移不变性指的是一个物体，不管在图片的哪个位置，你都能准确的识别出来这个物体。因此在图像分类任务中，平移不变性非常重要。但是在物体检测中，你识别到了一个物体之后，你需要准确地定位这个物体，这个时候你就需要在意物体在图片中的位置(IoU)

2 ：rcnn证明了cnn提取的特征的有效性；而spp解决了如何应对不同尺度feature map的问题；fast rcnn通过roi pooling将需要应用到多个候选框上的基CNN模型进行共享，加快了速度并且提升了准确度；而faster rcnn为了更进一步的共享基CNN，将本来需要由SS算法提取候选框的任务一并放入基CNN中，从而提出了RPN子网络；

3：减少了全连接层，推荐窗口在位置敏感图上直接提取特征，这一点和fasterRCNN一样，之后得到ROI的特征，之后做一下全局的平均，分类；贡献就是得到了减少的二阶段的计算量，提出了位置敏感特征图