ROIpooling是什么

ROI操作的基本介绍
roi是在原图中的感兴趣区域，可以理解为目标检测的候选框也就是region of proposals，我们将原图进行特征提取的时候，就会提取到相应的feature map。那么相应的ROI就会在feature map上有映射，这个映射过程就是roipooling的一部分，一般ROI的步骤会继续进行max pooling，进而得到我们需要的feature map，送入后面继续计算
根据ROIS提供的候选框坐标，映射到FeatureMap，然后进行max-pooling，和普通的max-pooling的不同之处在于池化窗口的内部的各自包含的特征值数量不一样。
下面这组图就是这个过程
输入是特征图

特征图片对应的建议区域

若想输出2*2 的feature map
我们就需要对把这个ROI区域分成4大块，每一块做一下max-pooling 得到最终的值

最终 的值就是

再说一遍详细的手写过程

https://blog.deepsense.ai/region-of-interest-pooling-explained/



ROIalign按照下面的算法计算

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_37142859/article/details/93356914
————————————————
版权声明：本文为CSDN博主「Turtlelin007」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_37142859/article/details/93356914

双线性插值计算方法

如上图，每一个蓝色点周围都有4个像素点，蓝色点的值极为该4个点的加权平均，权重是距离像素点的距离，距离越近，权重越大。如下图所示。

圆圈代表像素值，色块面积代表权重。以红色点为例，待计算点（黑色点）距离红色点最远，因此它权重最小，反映在色块面积上就是红色色块面积最小。说明红色对黑色点的影响比较小。