RoIPooling和RoIAlign

RoIPooling

1. Conv layers使用的是VGG16，feat_stride=32，假定原图中有一region proposal，大小为665 x 665，这样，映射到特征图中的大小：665 / 32=20.78,即20.78 x 20.78，在计算的时候会进行取整操作，于是，进行的第一次量化，即映射的特征图大小为20*20
   2. 假定pooled_w=7,pooled_h=7,即pooling后固定成7x7大小的特征图，所以，将上面在 feature map上映射的20 x 20的 region proposal划分成49个同等大小的小区域，每个小区域的大小20 / 7=2.86,即2.86 x 2.86，此时，进行第二次量化，故每个7x7的中小区域所占的像素大小变成2 x 2
      3 ) 每个2 x 2的小区域里，取出其中最大的像素值，作为这一个区域的‘代表’，这样，49个小区域就输出49个像素值，组成7 x 7大小的feature map

• 经过两次量化，即将浮点数取整，原本在特征图上映射的20 x 20大小的region proposal，偏差成大小为14 x 14的，这样的像素偏差势必会对后层的回归定位产生影响

RoIAlign

1. 与RoIPooling类似，假定pooled_w=7,pooled_h=7,即pooling后固定成7 x 7大小的特征图，所以，将在 feature map上映射的20.78 x 20.78的region proposal 划分成49个同等大小的小区域，每个小区域的大小20.78 / 7=2.97,即2.97 x 2.97
2. 假定采样点数为4，即表示，对于每个2.97 x 2.97的小区域，平分四份，每一份取其中心点位置，而中心点位置的像素，采用双线性插值法进行计算，这样，就会得到四个点的像素值，如下图

3. 上图中右四个x就是四个小区域的中心点，也就是说对更加精细的插值得到更加平滑的边界。最后，取四个像素值中最大值作为这个小区域(即：2.97 x 2.97大小的区域)的像素值同样是49个小区域得到49个像素值，组成7 x 7大小的feature map