fast rcnn中的ROI層是什麼？

Question

根據最終的卷積層激活函數調整區域提議時，發生了什麼數學問題？ 在關於使用CNN進行對象檢測的following教程中提到了快速RCNN。他們在這裏提到了ROI層和發生了什麼。但是，我不明白在將區域提案的大小調整爲每個單元格中的最終conv.layer激活時，數學會發生什麼情況。

Answer 1

地區的感興趣（ROI）池：

它是一種類型，其執行最大非均勻尺寸和輸入（這裏，convnet特徵映射）彙集池層的產生固定大小的小特徵地圖（比如說7x7）。此固定大小的選擇是網絡超參數，並且是預定義的。

做這樣一個彙集的主要目的是加快訓練和測試時間，並且從頭至尾（以聯合方式）訓練整個系統。

這是因爲使用該池層訓練&測試時間比原來的（香草）R-CNN架構更快，因此名稱爲Fast R-CNN。

簡單的例子（從Region of interest pooling explained by deepsense.io）：

Answer 2

ROI（感興趣區域）層被引入Fast R-CNN中，並且是在Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition中引入的空間金字塔池層的特例。由於完全連接圖層中的大小限制，ROI層的主要功能是將具有任意大小的整形輸入轉換爲固定長度的輸出。

如何ROI層的工作原理是顯示出低於：

在該圖像，具有任意大小的輸入圖像被饋送到該層，其具有3個不同的窗口：4×4（藍色），2×2（綠色），1x1（灰色）以產生固定尺寸分別爲16 x F，4 x F和1 x F的輸出，F是濾波器的數量。然後，這些輸出連接成一個矢量，以饋送到完全連接層。