什么是 ROI

目标检测通常可以分为两个阶段：

• Region proposal：给定一张输入图片找出所有物体可能存在的所有位置。这一阶段的输出应该是一系列物体可能位置的 bounding box，这些通常就被称为region proposals或 者 regions of interest（ROI），在这一过程中用到的方法是selective search（Fast R-CNN）或 RPN （Faster R-CNN）
• Final classification：确定上一阶段的每个region proposal 是属于目标一类还是背景

什么是 ROI Pooling

顾名思义，ROI Pooling 是 Pooling 层的一种，而且是针对 RoIs 的 Pooling，它的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定

ROI Pooling 的输入

输入有两部分组成：

• 从具有多个卷积核池化的深度网络中获得的固定大小的特征图
• 个表示所有 ROI 的 $N?5$ 的矩阵，其中 $N$ 表示ROI的数目，每个 ROI 有 5 个参数分别是 1 个 索引+ 4 个坐标

【注】坐标的参考系不是针对特征图的，而是针对原图

ROI Pooling 的具体操作

具体的操作过程如下：

1. 根据输入图片，将 ROI 映射到特征图标对应位置；
2. 将映射后的区域划分为相同大小的 sections（sections 的数量与输出的维度相同）；
3. 对每个 sections 进行 max pooling 操作。

【举个栗子】 ?(? ? ??)

假设我们有一个 8x8 的特征图和一个ROI，输出为 2x2

输入特征图

将 region proposal 投影到特征图上

将其划分为 2x2 个 sections（因为输出大小为2*2），于是得到

对每个section做max pooling，可以得到

整体过程如下 GIF

【注】在这个例子中 region proposals 是 5x7 的，在 pooling 之后需要得到 2x2 的，所以在5x7 的特征图划分成 2x2 的时候不是等分的，行是 5/2（取整） ，第一行得到2，剩下的那一行是3，列是 7/2 （取整），第一列得到3，剩下那一列是4。

ROI Pooling 存在的问题

从上面的分析可以看出来，候选框从原图坐标映射到的特征图坐标时，位置坐标可能存在浮点数，此时进行取整操作从而出现第一次量化；其次，在 ROI Pooling 求取每个小网格的位置时也同样存在浮点数取整的情况。这两次量化的结果都使得候选框的位置出现了偏差。

为了解决这个问题，于是有了下面的 ROI Align

ROI Align

RoI Align不再采用取整量化操作，如果计算得到小数，也就是没有落到真实的像素点上，那么就用最近像素点对这一点虚拟的像素点进行双线性插值，得到这个像素点的值。具体的过程步骤如下：

假设需要的输出为 2x2 ：

1. 先将ROI切分成 2x2 的单元格；
2. 如果采样点数是4，将每个单元格子均分成四个小方格，以每个小方格的中心作为采样点；
3. 对采样点像素进行双线性插值，得到该像素点的值；
4. 对每个单元格内的 4 个采样点进行 max pooling，得到最终的 ROI Align 结果。

双线性插值

已知 $Q_{1}2$，$Q_{2}2$，$Q_{1}1$，$Q_{2}1$，但是要插值的点为 $P$，这时就要用双线性插值了，首先在 x 轴方向上，对 $R_1$ 和 $R_2$ 两个点进行插值，这个很简单，然后根据 $R_1$ 和 $R_2$ 对 $P$ 点进行插值，这就是所谓的双线性插值。

首先在 x 方向进行线性插值，得到

然后在 y 方向进行线性插值，得到

这样就得到所要的结果 $f\left(x,y\right)$

Reference

• ROI Pooling层解析
• ROI Pooling原理及实现
• 【目标检测】RoI Pooling及其改进
• 双线性插值算法的详细总结