一、背景和基本概念

1.背景

一个Label在原图上标记出一个包含目标的区域。这个框在特征提取后，大小被缩小到了什么程度？如果这个label框本身就不大，那么经过几层池化之后，是不是在最后的feature map上都没有一个位置，能够对应到这个区域？

这个问题更广义的描述：针对一个固定网络，多大的框（目标）才能在深度网络提取的特征中至少剩余一个明确的像素点，指向这个目标。

反过来看，也就是说最后一层的feature map上的一个点，映射回原图得到一片感受野，如果目标框比这个感受野还要小，会不会就是过度的特征提取？假设这个思路成立，可能这就是模型能力相对与不同大小的目标而言的一种模糊下界。

2.基本概念

RoI（Region of Interest）：是通过不同区域（region）的选择方法，从原始图像（original image）得到的候选区域（proposal region）。但是RoI不等价于Bounding Box，它们可能看起来很像，但是RoI只是为了进一步处理而产生的候选区域。可以简单把RoI理解为“feature map”上的框。

Bounding Box：Bounding Box是指检测目标的边界矩形框。

二、RoI Pooling原理

1.目的

RoI Pooling是在Fast RCNN中首次被提出。RoI Pooling直接从feature map中截取各个RoI的feature，并且输出时RoI的feature变成大小一样的了。

RoI Pooling的作用本质上是为了将不同尺寸的RoI特征转换为相同尺寸的feature输出，保证其能够与下层的全连接层连接，分别执行线性分类(linear classifier)和边框回归(bounding box regressor)。

2.步骤（以输出RoI feature大小为2×2×5为例）

Step1

得到RoI（由RPN得到）

对于输入图片，通过候选区域方法得到固定大小数量(Faster RCNN中为256)的候选区域坐标。将整个输入图片喂入基网络（如vgg, resnet等）提取feature map（Fast RCNN 中为vgg网络的conv5层特征）。

Step2

对齐到网格单元（snap to grid cell）：根据输入image，将ROI映射到feature map对应位置。

首先对RoI对于的feature与原始的feature map网格单元对齐，下图中绿色框为RoI对应的实际区域（由于经过特征尺度变换，导致RoI的feature坐标可能会落在feature map的单元之间），蓝色框表示网格对齐后的RoI所对应的feature。

Step3

划分网格为子区域：将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）。

粗略地将网格分为 $H\times W$ （Fast RCNN 中设为 $7\times 7$ ）个子网格区域。将上一步得到的RoI feature进一步细分为量化的空间单元。

为了得到输出的特征图为 $2\times 2\times 512$ ，这里的操作就是将上一步的RoI feature划分为 $2\times 2$ 个特征单元。如果无法通过直接均分得到子区域，通过分别采取向上取整（ceil）和向下取整（floor）的到对应的单元尺寸大小。以当前 $4\times 5$ 尺寸的特征图为例，对于宽度方向 $4/2=2$，但是对于高度方向由于$5/2=2.5$， 通过向上和向下取整，确定宽度方向和高度方向特征子区域的大小分别为2和3。

Step4

最大池化操作：对每个sections进行max pooling操作。

在每一个子区域执行聚合操作得到单元的特征值（一般是最大池化）。对上一步得到的 $2\times 2$ 个子区域分别做最大池化操作，得到 $2\times 2\times 512$ 的RoI feature。

输出是batch个vector，其中batch的值等于RoI的个数，vector的大小为channel * w * h；RoI Pooling的过程就是将一个个大小不同的box矩形框，都映射成大小固定（w * h）的矩形框。

三、RoI Align原理

1.目的

RoI Pooling的Step2和Step3都会对应着轻微的区域特征错位（misaligned）， 这些操作在RoI和提取到的特征之间引入了偏差。这些偏差可能不会影响对分类任务，但它对预测像素精度掩模有很大的负面影响。

所以针对RoI Pooling的缺点，提出了RoI Align提高精度（在Mask CRCNN中提出）。

2.步骤（以输出RoI feature大小为2×2×5为例）

step1

每个RoI，保持浮点数边界不做对齐（不对齐网格单元）；同时平均分网格分为 $H\times W$ （这里为 $2\times 2$ ）个子网格区域，每个单元的边界也不做量化。

Step2

对于每个区域选择4个规则采样点（分别对应将区域进一步平均分为四个区域，取每个子区域的中点）。

Step3

利用双线性插值（ 双线性插值本质上是目标像素所相邻的四个像素， 分别以像素对应的对角像素与目标像素的构成的矩形区域为权重，像素大小为值的加权和。）计算得到四个采用点的像素值大小。下图为一个规则采样点所对应的邻近区域示意图。

Step4

利用最大池化（max pooling）或平均池化(average pooling)分别对每个子区域执行聚合操作，得到最终的特征图。

输出是batch个vector，其中batch的值等于RoI的个数，vector的大小为channel * w * h；RoI Pooling的过程就是将一个个大小不同的box矩形框，都映射成大小固定（w * h）的矩形框。