ROI Pooling（感兴趣区域池化）

引言

感兴趣区域池化（Region of interest pooling）（也称为RoI pooling）是使用卷积神经网络在目标检测任务中广泛使用的操作。例如，在单个图像中检测多个汽车和行人。其目的是对非均匀尺寸的输入执行最大池化以获得固定尺寸的特征图（例如7×7）。

计算机视觉中的两个主要任务是对象分类和目标检测。在第一种情况下，系统应该正确地标记图像中的主要对象。在第二种情况下，它应该为图像中的所有对象提供正确的标签和位置。当然还有其他有趣的计算机视觉领域，例如图像分割，但今天我们将专注于检测。在这个任务中，我们通常应该从先前指定的一组类别中的任何对象周围绘制边界框，并为每个类别分配一个类。例如，假设我们正在开发一种自动驾驶汽车的算法，我们想用相机来检测其他汽车，行人，骑自行车者等等 - 我们的数据集可能看起来像这样。

在这种情况下，我们必须在每个重要对象周围绘制一个框并为其分配一个类。此任务比分类任务（如MNIST 或CIFAR）更具挑战性 。在视频的每个帧上，可能存在多个对象，其中一些重叠，一些不明显或被遮挡。而且，对于这样的算法，性能可能是关键问题。特别是对于自动驾驶，我们必须每秒处理数十帧。

那么我们如何解决这个问题呢？

经典架构

我们今天要讨论的对象检测架构分为两个阶段：

1. 区域建议（Region proposal）：给定输入图像查找可以定位对象的所有可能位置。此阶