为什么要使用ROI pooling？
在RCNN中，整体流程是：先在原图中截取大约2K个region proposals 然后送入CNN网络进行训练，训练完成后用分类器进行分类，完成物体的检测。
但是这个结构会出现问题：
- 产生大量的region proposals 会导致performance problems，很难达到实时目标检测。
- 在处理速度方面是suboptimal。
- 无法做到end-to-end training
因此为了改善这种情况，引出了ROI pooling ，ROI pooling层能够实现training 和testing的显著加速，并且提高基恩侧效率。
- 从具有多个卷积核池化的深度网络中获得的固定大小的feature maps；
- 一个表示所有ROI的N*5的矩阵，其中N表示ROI的数目。第一列表示图像index，其余四列表示其余的左上角和右下角坐标；
ROI Pooling
如上图所示，在对特征进行ROI pooling 的时候先对特征缩小16倍，（16倍的原因在Fast RCNN中，此处不做详细解释），原来的特征是第一幅图虚线部分，但是由于一些特征除不尽16，比如100*200，因此需要对特征进行向下取整，得到一个整数（就是实线框部分），然后对得到的区域进行四等分，（如第二幅图），（实际在网络中不一定是分成2x2的pooling ，只是为了方便解释。）但是跟前面原因一样，部分ROI可能需要向下取整才能进行划分。划分成4份后，对于每个矩形框取其最大值就可以完成ROI pooling。
ROI pooling 的不足：
- ROI pooing 中对特征的处理有两次向下取整，直观感受上，取整的差值不到1，对结果的影响不会很大。但是实际上再物体检测的过程中，不同的物体的大小不同，所以提取出的特征也不同，对于大的物体影响可能很小，但是对于小的物体特征影响会很大。比如一条鲸鱼的特征，进行ROI pooing后影响可以忽略不计，但是同样的对于一条小鱼来说，如果进行两次向下取整，提取的特征可能会受到致命影响。
- 最后分成四个小块，对每个小块只取他的最大值，丢失的信息过于多。
ROI Align
ROI Align的过程：
前两步过程和ROI Pooling 相同，不同的是采用了双线性插值的办法，解决的了对量化过程中对特征的影响，在4等分的基础上（绿色虚线，注：实际中不是四等分，此处是为了方便解释）进行再次分割成4份（黑色虚线，注：此处在Fast Rcnn就是分成4份，是实验的结果），分成四份后，按照周围四个蓝点进行双线性插值的得到一个粉红色的点，得到之后，在绿色框内四个粉红点中，取最大值。
ROI Align 是对ROI pooling的一次改进：
- 在两次量化的过程中采用双线性插值的方法，解决了量化过程对特征的影响。
- 分割后在分割，然后在进行取最大值，解决了部分信息的丢失。
ROI Align的问题：
- 引入了新的参数（加黑框）
- 没有彻底解决信息丢失的问题
Precise Roi poolling
分成四等分后，注意左边分f(x,y)代表的红点的坐标，wi,j 表示蓝点（ij表示行和列），左下方的两个公式其实就是标准的双线性插值计算红点坐标，每四个蓝点都能计算出一个红点，计算完坐标之后，通过右下方的第一个公式计算出左上角红色区域的平均值，这样就解决了信息丢失的问题。
PrROI Pooling：
- 在进行量化的时候，没有产生信息丢失。
- 相对于ROI Align中没有引入新的参数。
- 解决了信息丢失的问题。