SPPNet、roi pooling 和 average pooling之間的差別，都是起到對任意大小的輸入産生固定的輸出的作用。其中SPPNet、roi pooling是一樣的。
下面對ROI Pooling 進行詳解：
- ROI是Region of Interest的簡寫，指的是在“特征圖上的框”；
- POOling是一個池化操作。
可以再了解一下這個概念【region proposal】：
給定一張輸入image找出objects可能存在的所有位置。這一階段的輸出應該是一系列object可能位置的bounding box。這些通常稱之為region proposals或者 regions of interest（ROI）。
ROI Pooling的輸入
輸入有兩部分組成：
- 特征圖：通過神經網絡的特征圖feature map；
- rois：在Fast RCNN中，指的是Selective Search的輸出；在Faster RCNN中指的是RPN的輸出，一堆矩形候選框框，size為[1x5x1x1]（4個坐标+索引index），其中值得注意的是：坐标的參考系不是針對feature map這張圖的，而是針對原圖的（神經網絡最開始的輸入）左上角和右下角坐标。
ROI Pooling的輸出
輸出是batch個vector，其中batch的值等于RoI的個數，vector的大小為channel * w * h；RoI Pooling的過程就是将一個個大小不同的box矩形框，都映射成大小固定（w * h）的矩形框。
ROI pooling具體操作
- 根據輸入image，将ROI映射到feature map對應位置；
- 将映射後的區域劃分為相同大小的sections（sections數量與輸出的次元相同）；
- 對每個sections進行max pooling操作。
下面拿官網的圖來舉個栗子吧~假設我們要對一個8*8大小的feature map進行ROI pooling操作，其1含有一個ROI，需要輸出大小為2*2.
- 輸入的feature map 如下
-
region proposal 投影之後位置（左上角，右下角坐标）：（0，3），（7，8）。
我們先把roi中的坐标映射到feature map上，映射規則比較簡單，就是把各個坐标除以“輸入圖檔與feature map的大小的比值”，得到了feature map上的box坐标。
- 将其劃分為（2*2）個sections（因為輸出大小為22），通過第二步，我們可以發現，所得到的矩形框大小為5x7，輸出為2x2，是以在57的特征圖劃分成2*2的時候不是等分的，行是5/2，第一行得到2，剩下的那一行是3，列是7/2，第一列得到3，剩下那一列是4。是以，我們可以把這個矩形這樣劃分：
ROI 詳解 - 然後對這個2x2的區域進行max pooling操作。
ROI 詳解
下面是一個動态圖，可以更形象的說明整個roi pooling的過程：
參考：
- Region of interest pooling explained
- ROI Pooling層解析