从RoI pooling到RoI Align

RoI pooling与RoI Align都是在感兴趣区域生成的feature map上下采样，使得固定输出特定尺寸（一般为7x7）的新的feature map，再进行后续的分类与框的回归。
由于要进行框的回归，所以位置的准确度就尤为重要

对于RoI pooling：

1.从卷积网络feat_stride=32出来后，图片缩小为原图的1/32，比如原图为800x800，输出大小即为25x25。
2.原图中的感兴趣区域假设为655x655，经过卷积后输出为655/32=20.78，在RoI pooling中会进行取整，得到20x20，这里是第一次量化，输出得到的特征图为20x20。
3.假定pooled_w=7,pooled_h=7,即pooling后固定成7x7大小的特征图，所以，将上面在 feature map上映射的20x20的 region proposal划分成49个同等大小的小区域，每个小区域的大小20/7=2.86,即2.86x2.86，此时，进行第二次量化，故小区域大小变成22。
4.每个2x2的小区域里，取出其中最大的像素值，作为这一个区域的‘代表’，这样，49个小区域就输出49个像素值，组成77大小的feature map。

由于两次量化后，原本的20x20区域偏差成为14x14，，这样像素的偏差会在回归框的定位时产生影响。

对于RoI Align：

1.从卷积网络feat_stride=32出来后，图片缩小为原图的1/32，比如原图为800x800，输出大小即为25x25。
2.原图中的感兴趣区域假设为655x655，经过卷积后输出为655/32=20.78，保留浮点数。
3.假定pooled_w=7,pooled_h=7,即pooling后固定成7x7大小的特征图，所以，将上面在 feature map上映射的20.78x20.78的 region proposal划分成49个同等大小的小区域，每个小区域的大小20.78/7=2.97,即2.97x2.97。
4.假定采样点数为4，即表示，对于每个2.972.97的小区域，平分四份，每一份取其中心点位置，而中心点位置的像素，采用双线性插值法进行计算，这样，就会得到四个点的像素值，如下图。最后，取四个像素值中最大值作为这个小区域(即：2.972.97大小的区域)的像素值，如此类推，同样是49个小区域得到49个像素值，组成7*7大小的feature map。

四个叉叉的像素值是通过双线性插值算法计算得到的。

总结：RoI Align主要是为了解决RoI pooling在回归框定位时出现偏差，在对于小目标的精细回归问题上，精度更高。