Fast R-CNN 中 ROI 层的用途是什么？
What is the purpose of the ROI layer in a Fast R-CNN?
在this关于对象检测的教程中，提到了快速R-CNN。还提到了ROI（感兴趣区域）层。
当区域建议根据最终卷积层激活函数（在每个单元格中）调整大小时，从数学上讲发生了什么？
ROI（感兴趣区域）层在Fast R-CNN中引入，是空间金字塔池化层的特例，在深度卷积中的空间金字塔池化中引入
视觉识别网络。由于全连接层的尺寸限制，ROI 层的主要功能是将任意尺寸的输入重塑为固定长度的输出。
ROI层的工作原理如下所示：
在此图像中，任意大小的输入图像被送入具有 3 个不同 window 的层：4x4（蓝色）、2x2（绿色）、1x1（灰色）以产生固定大小的输出分别为 16 x F、4 x F 和 1 x F，其中 F 是过滤器的数量。然后，将这些输出连接成一个向量以馈送到全连接层。
感兴趣区域 (RoI) 池化：
这是一种池化层，它对非均匀大小的输入（此处为 convnet 特征图）执行 最大池化 并生成固定大小的小特征图（比如说 7x7）。这个固定大小的选择是一个网络超参数并且是预定义的。
进行这种池化的主要目的是加快训练和测试时间，并从端到端（以联合方式）训练整个系统。
由于使用了这个池化层，训练和测试时间比原始（香草？）R-CNN 架构更快，因此得名 Fast R-CNN。
简单示例（来自Region of interest pooling explained by deepsense.io）：
在this关于对象检测的教程中，提到了快速R-CNN。还提到了ROI（感兴趣区域）层。
当区域建议根据最终卷积层激活函数（在每个单元格中）调整大小时，从数学上讲发生了什么？
ROI（感兴趣区域）层在Fast R-CNN中引入，是空间金字塔池化层的特例，在深度卷积中的空间金字塔池化中引入 视觉识别网络。由于全连接层的尺寸限制，ROI 层的主要功能是将任意尺寸的输入重塑为固定长度的输出。
ROI层的工作原理如下所示：
在此图像中，任意大小的输入图像被送入具有 3 个不同 window 的层：4x4（蓝色）、2x2（绿色）、1x1（灰色）以产生固定大小的输出分别为 16 x F、4 x F 和 1 x F，其中 F 是过滤器的数量。然后，将这些输出连接成一个向量以馈送到全连接层。
感兴趣区域 (RoI) 池化：
这是一种池化层，它对非均匀大小的输入（此处为 convnet 特征图）执行 最大池化 并生成固定大小的小特征图（比如说 7x7）。这个固定大小的选择是一个网络超参数并且是预定义的。
进行这种池化的主要目的是加快训练和测试时间，并从端到端（以联合方式）训练整个系统。
由于使用了这个池化层，训练和测试时间比原始（香草？）R-CNN 架构更快，因此得名 Fast R-CNN。
简单示例（来自Region of interest pooling explained by deepsense.io）：