# RoI Pooling 系列方法介绍（文末附源码）
作者简介
CW，广东深圳人，毕业于中山大学（SYSU）数据科学与计算机学院，毕业后就业于腾讯计算机系统有限公司技术工程与事业群（TEG）从事Devops工作，期间在AI LAB实习过，实操过道路交通元素与医疗病例图像分割、视频实时人脸检测与表情识别、OCR等项目。
目前也有在一些自媒体平台上参与外包项目的研发工作，项目专注于CV领域（传统图像处理与深度学习方向均有）。
前言
RoI Pooling 是目标检测任务中的常见手段，最早在 Faster R-CNN 中提出，作用是将一系列大小不同的 RoI 投影至特征图上，然后通过池化操作将它们处理为一致大小，从而方便后面的网络层进行处理（历史原因，以前的网络结构中最后几层往往是全连接层，因此需要固定的输入尺寸），同时起到了加速计算的作用。
本文先对 RoI Pooling 进行介绍，该方法由于量化误差而带来了精度上的损失，后来有大神基于该方法提出了 RoI Align 和 Precise RoI Pooling，本文后半部分会让大伙瞧瞧这俩个家伙的玩法。
文末会附上以上三部分相应的源码链接，其中 RoI Pooling 和 RoI Align 是自己手写的纯 py 实现，作为学习参考使用；Precise RoI Pooling 是作者的原版，基于 cuda 编写，在使用时需要编译。
本文框架
RoI Pooling — 将不同的尺寸变为一致
RoI Align — 没有量化误差
Precise RoI Pooling — 无需超参，每个像素点均有梯度贡献
一、Rol Pooling——将不同的尺寸变为一致
先来概述下 RoI Pooling 的操作：
i). RoI 的尺寸通常是对应输入图像的，特征图是输入图像经过一系列卷积层后的输出，因此，首先将 RoI 映射到特征图上的对应区域位置；
ii). 最终需要将尺寸不一的 RoI 变为固定的 n x n 大小，于是将 RoI 平均划分为 n x n 个区域；
iii). 取每个划分而来的区域的最大像素值，相当于对每个区域做 max pooling 操作，作为每个区域的“代表”，这样每个 RoI 经过操作后就变为 n x n 大小。
结合一个例子说明下 RoI Pooling 带来的量化误差：
如下图，假设输入图像经过一系列卷积层下采样32倍后输出的特征图大小为8×8，现有一 RoI 的左上角和右下角坐标（x, y 形式）分别为(0, 100) 和 (198, 224)，映射至特征图上后坐标变为（0, 100 / 32）和（198 / 32，224 / 32），由于像素点是离散的，因此向下取整后最终坐标为（0, 3）和（6, 7），这里产生了第一次量化误差。
假设最终需要将 RoI 变为固定的2×2大小，那么将 RoI 平均划分为2×2个区域，每个区域长宽分别为 (6 – 0 + 1) / 2 和 (7 – 3 + 1) / 2 即 3.5 和 2.5，同样，由于像素点是离散的，因此有些区域的长取3，另一些取4，而有些区域的宽取2，另一些取3，这里产生了第二次量化误差。
二、RoI Align——没有量化误差
RoI Align 是在 Mask R-CNN 中提出来的，基本流程和 RoI Pooling 一致，但是没有量化误差，下面结合一个例子来说明：
如上图，输入图像分辨率为800×800，其中一个 RoI 大小为 665×665，输入图像经过 VGG16 下采样32倍后输出分辨率为25×25的特征图。
1). 将 RoI 映射至特征图上，大小为 （665/32）x（ 665/32） 即 20.78×20.78，注意这里不进行取整；
2). 最终需要将 RoI 输出为7×7大小，因此将 20.78×20.78大小的 RoI 均分为7×7个区域，每个区域大小为2.97×2.97，注意这里也没有取整操作；
3). RoI Align 需要设置一个超参，代表每个区域的采样点数，即每个区域取几个点来计算“代表”这个区域的值，通常为4；
4). 对每个划分后的区域长宽各划分为一半，“十字交叉”变为4等份，取每份中心点位置作为其“代表”，中心点位置的像素值利用双线性插值计算获得，这样就得到4个中心点像素值，采样点数为4就是这个意思；
2.97×2.97区域划分为4等份，每份利用双线性插值计算其中心点像素值5).每个2.97×2.97的区域都有4个中心点像素值，它们分别取4个中心点像素值中的最大值作为其“代表”，这样7×7个区域就产生7×7个值，最终将 RoI 变为了7×7大小。
**三、Precise RoI Pooling ——无需超参 **
RoI Align 虽然没有量化损失，但是却需要设置超参，对于不同大小的特征图和 RoI 而言这个超参的取值难以自适应，于是就有人提出 Precise RoI Pooling 来解决这一问题，真是人才辈出呐！
Precise RoI Pooling 和 RoI Align 类似，将 RoI 映射到特征图以及划分区域时都没有量化操作，不同的是，Precise RoI Pooling 没有再次划分子区域，而是对每个区域计算积分后取均值来“代表”每个区域，因而不需要进行采样。
另外，由上述公式可知，区域内的每点在反向传播中对梯度都是有贡献的，而对 RoI Align 和 RoI Pooling 来说，只有区域内最大值那点才对梯度有贡献，相当于“浪费”了大部分的点。
四、总结
以上操作的原理不难理解，很多人看完后或许都有这样的feel——咦，挺简单的嘛！但是如果试着从代码层面去实现的话或许就会发现不是那么容易了，特别是，要能应用到生活场景中。
这里我手撸的 RoI Pooling 和 RoI Align 也仅是基于原理去实现的，用作学习参考，真正业界上应用的通常是用C或C++实现和编译的，纯 py 的版本通常由于性能原因难以落地到工程中。
另外，这里附上的 Precise RoI Pooling 源码是原作者的版本，但是我使用时一直出现编译错误，各位大侠可以试试，如果有类似问题或者解决方案希望可以和我一起探讨，谢谢！
