ROI Align

这种 Pooling 方法是在 Faster RCNN 中看到的，该种 Pooling 方法采用的运算方法比较直接。

注意：

网络结构与用途

Faster R - CNN ：是一种目标检测算法，主要用于在图像中找出目标物体位置并分类 。它基于 R - CNN 系列发展而来，结构上包含区域提议网络（RPN）、特征提取网络（如 VGG、ResNet 等）、ROI（Region of Interest）池化层以及分类和回归分支。先由 RPN 生成可能包含目标的候选区域，再对候选区域进行特征提取和分类回归。

FCN（Fully Convolutional Networks） ：是语义分割算法 。它将传统 CNN 中的全连接层替换为卷积层，可接受任意尺寸图像输入，输出与输入图像尺寸相关的分割结果，对图像每个像素进行分类，确定像素所属类别。

工作原理

Faster R - CNN ：通过 RPN 在特征图上滑动窗口生成大量候选区域，根据与真实目标框的 IoU（交并比）等指标筛选正负样本训练 RPN；特征提取网络提取图像特征后，ROI 池化层将不同大小候选区域特征映射到固定大小，最后分类分支判断类别，回归分支微调候选区域坐标。

FCN ：对输入图像直接进行卷积操作提取特征，经多次卷积和下采样得到低分辨率高语义信息特征图；之后通过上采样（如反卷积等）操作将特征图恢复到接近输入图像尺寸，每个像素对应一个类别概率，实现像素级分类。

应用场景

Faster R - CNN ：常用于目标检测场景，像安防监控中检测行人、车辆；自动驾驶中识别道路标志、车辆、行人等目标。

FCN ：主要用于语义分割领域，如医学图像分割，区分器官、病变组织等；卫星图像土地利用分类，区分建筑、农田、森林等。

下面是其计算的流程图

在该网络中假设使用的骨架网络中的 feat stride=16，且测试图像中的一个边界框的大

小为 400∗ 300。

1 ） 首 先 计 算 对 应 feature map 上 图 的 大 小 ， 那 么 在 特 征 图 上 的 大 小 就 是 400/16 ∗ 300/16=25∗ 18.75，注意这个时候出现小数了。那么就需要对其进行第一次量化操作，得到的特征图上大小为 25∗ 18。

2）得到 Pooling 结果。最后的 RoI Pooling 的输出是固定的为 7∗ 7，那么就要对这个特征图进行划分，那么划分出来的每一块的大小就是 25/7∗ 18/7=3.57∗ 2.57。又有小数，需要继续取整，这是第二次量化操作，块的区域就变成了 3∗ 2，然后再在这个区域上做 max pooling 得到最后的结果。

所以很大的误差是来自于量化过程，量化误差不断积累就变得很大了。

用一个生活中的例子来理解 RoI Pooling 的过程，就像把一张地图缩小后再划分格子找宝藏一样：

假设你有一张高清地图（原图），但计算机为了方便处理，会先把地图缩小成一张 “缩略图”（特征图）。这里有个缩小比例叫 feat stride=16，意思是缩略图上的 1 个像素，对应原图的 16×16 像素区域。

现在，你在原图上画了一个框（边界框），比如框住了一个 400×300 像素的区域（比如一片森林），你想知道这个区域在缩略图上的位置和大小。

第一步：找缩略图上的框（第一次量化）

计算缩略图上的框大小：

原图框是 400×300 像素，缩小 16 倍后，缩略图上的框应该是：

400÷16=25 像素宽，300÷16=18.75 像素高。

问题：但像素必须是整数，没法有 0.75 个像素，所以只能 “四舍五入” 或直接取整，这里直接取整为 25×18 像素（相当于把森林的缩略图强行压缩成 25 列、18 行的格子）。

类比：就像把一张纸从 A4 缩到 A5，纸上的画也会变小，但边缘可能被裁掉一点（取整导致误差）。

第二步：划分格子做 Pooling（第二次量化）

现在，你需要从这个 25×18 像素的缩略图框里，提取一个固定大小的特征（比如 7×7 的格子），就像把这片森林分成 7 行 7 列的小区域，每个区域找最明显的特征（比如最高的树、最大的石头）。

计算每个小格子的大小：

把 25 列分成 7 份：25÷7≈3.57列 / 格，

把 18 行分成 7 份：18÷7≈2.57行 / 格。

问题：又出现小数了！格子不能有 0.57 列，所以再次取整，变成 3 列 / 格 和 2 行 / 格。

类比：就像把一块蛋糕切成 7 份，但蛋糕尺寸不是 7 的倍数，只能尽量均分，每份大小可能不一样（左边 3 列，右边可能 4 列；上边 2 行，下边可能 3 行）。

每个格子里找最大值（Max Pooling）：

现在，每个小格子是 3×2 像素的区域，在这个区域里找像素值最大的点（比如最亮的像素，代表可能有宝藏的位置），作为这个格子的特征值。

最终得到 7×7 的特征矩阵，这样无论原图框多大，输出都是固定尺寸的特征。

为什么会有误差？

第一次取整误差：原图框缩小到缩略图时，小数部分被直接舍弃（比如 0.75 像素没了），相当于把森林的边缘裁掉了一点。

第二次取整误差：划分小格子时，小数部分再次被舍弃，导致每个格子的实际大小和理想值不一致（比如本应 3.57 列的格子，只取了 3 列）。

误差积累：两次取整让框的位置和大小都偏离了真实值，就像两次 “近似裁剪” 后，地图上的森林位置可能和实际差了一块。

RoIWrap Pooling

该 Pooling 方法比前面提到的 Pooling 方法稍微好一些。对于一个选出来的预测框，

它的对应的 RoI 区域可以通过 feat stride 算出来（crop 操作）。

那么该方法与上一个方法的区别是什么呢？主要的区别在于第二步。还是用上面提到的

例子：在该网络中假设使用的骨架网络中的 feat stride=16，且测试图像中的一个边界框的

大小为 400∗ 300。

1）corp 操作。边界框在对应 feature map 上的大小为 400/16∗ 300/16=25∗ 18.75，

注意这个时候出现小数了。那么就需要像之前的方法一样对其进行第一次量化操作，得到的特征图上大小为 25∗ 18。

2）warp 操作。这里使用的是双线性差值算法，使 corp 操作的特征图变化到固定的尺

度上去，比如 14∗ 14，这样再去做 Pooling 得到固定的输出。这里的坐标就是连续的了，不会存在量化误差。

可以看出这里去掉了第二次的量化操作，进而减小了误差，也提升了检测的精度。

可以用 “修图” 的例子来理解 RoIWrap Pooling 的核心改进，它就像用更精细的 “拉伸” 替代 “硬裁剪”，减少了变形误差。

背景：问题从何而来？

在目标检测中，我们需要从原图的一个边界框（比如 400×300 像素的 “汽车” 区域）中提取特征，但计算机处理时，会先把原图缩小成一张 “缩略特征图”（缩小比例 feat stride=16）。此时，原图的边界框在特征图上会被缩小为 25×18.75 像素的区域（类似把一张大照片缩小后，汽车的位置可能变成 25 列、18.75 行的格子）。

RoI Pooling 的问题：两次 “硬裁剪”

之前的 RoI Pooling 会做两件事：

第一次裁剪（量化）：把 18.75 行强行取整为 18 行（因为像素不能是小数），相当于把汽车的 “尾巴” 裁掉一点。

第二次裁剪（量化）：把 25 列 ×18 行的区域分成 7×7 个小格子，但 25÷7≈3.57 列 / 格、18÷7≈2.57 行 / 格，又出现小数，只能再次取整为 3 列 / 格、2 行 / 格，导致每个小格子的大小被 “硬调整”（比如左边 3 列，右边可能 4 列）。

这两次 “硬裁剪” 会让特征区域变形，就像用剪刀强行把照片剪成格子，边缘和比例都会走样。

RoIWrap Pooling 的改进：用 “拉伸” 替代第二次裁剪

RoIWrap Pooling 的核心是第二步用 “双线性插值” 替代 “硬取整”，具体分两步：

1. 第一步：Crop（裁剪，仍有第一次量化）

和 RoI Pooling 一样，原图的边界框（400×300）在特征图上缩小为 25×18.75 像素的区域。由于像素必须是整数，仍需取整为 25×18 像素（裁掉 0.75 行的尾巴）。

2. 第二步：Warp（变形，无第二次量化）

关键区别在这里！RoIWrap 不会强行把 25×18 的区域分成 7×7 个 “硬格子”，而是直接用双线性插值把整个 25×18 的区域 “拉伸” 或 “压缩” 成固定尺寸（比如 14×14）。

双线性插值的作用：允许坐标是连续的小数（比如第 3.5 列、第 2.7 行），通过周围像素的加权平均计算新位置的像素值。这样，25 列 ×18 行的区域可以平滑地变成 14 列 ×14 行，不需要把小数部分 “裁掉” 或 “凑整”。

类比：就像用修图软件的 “自由变换” 功能，把一张 25×18 的小照片均匀拉伸成 14×14 的尺寸，虽然整体缩小了，但比例和细节保留得更完整（不会出现左边 3 列、右边 4 列的 “硬分割”）。

3. 最后：Pooling（取最大值）

拉伸后的 14×14 区域再做 Pooling（比如取最大值），得到固定尺寸的输出（比如 7×7）。

为什么误差更小？

RoIWrap Pooling 只在第一步做了一次 “裁剪”（量化），第二步通过双线性插值 “柔和调整” 尺寸，避免了 RoI Pooling 的第二次 “硬取整”。就像用 “拉伸” 替代 “剪刀剪”，减少了区域变形和细节丢失，特征更接近真实值，检测精度自然更高。

总结：核心区别

RoIAlign Pooling

这种 Pooling 方法是在 Mask RCNN 中被采用的，这相比之前的方法其内部完全去掉

了量化操作，取而代之的线性操作，使得网络特征图中的点都是连续的。从而提升了检测的精确度。

在该网络中假设使用的骨架网络中的 feat stride=16，且测试图像中的一个边界框的大小为 400∗ 300。

1）得到对应 feature map 中对应的区域。这里可以算出对应的区域大小为 400/16∗

300/16=25∗ 18.75，这个通过双线性差值计算的得到。这就是这一部分的结果了，不会对其进行量化操作。

2）得到 Pooling 结果。假设 Pooling 的固定输出为 7∗ 7，那么每个块得到的大小是 25/7∗ 18.75/7=3.57∗ 2.65。对于这样的一个块，假设在其中选择 2∗ 2 个采样点，那么每个采样点的值也是可以通过双线性差值得到，这样也是连续的。

因而相比前面的两个算法，其内部实现并没有存在量化的操作，也就没有因为量化而带

来的误差。这就使得其检测精确度进一步提升。具体的差别有多大？可以看一下 Mask RCNN 中给出的实验数据。

用 “绘制地图” 的比喻来理解 RoIAlign Pooling，像用 “无级缩放” 替代 “像素化裁剪”，让每个点都能精准定位，避免误差积累。

核心突破：彻底告别 “取整裁剪”

RoIAlign 的最大特点是全程不进行任何量化取整，所有坐标都允许是小数，通过双线性插值计算连续坐标的像素值。就像在地图上标记位置时，允许用经度纬度的小数（如 123.456°，45.678°）精准定位，而不是强制四舍五入到整数度数。

回到例子：边界框 400×300，feat stride=16

每个采样点的值怎么算？

用双线性插值，根据采样点周围 4 个整数像素的坐标加权平均。例如，采样点(0.893, 0.670)周围的 4 个像素是：

左上：(0, 0)，右上：(1, 0)，

左下：(0, 1)，右下：(1, 1)。通过这 4 个点的值加权计算出采样点的值（权重由采样点到这 4 个点的距离决定）。

3. 第三步：Pooling（取最大值或平均值）

计算每个块内所有采样点的值后，取最大值（Max Pooling）或平均值，作为该块的输出。最终得到 7×7 的特征图。

为什么这样更精确？

无量化误差：

RoI Pooling 两次取整（如 18.75→18，3.57→3），导致区域位置和大小偏离真实值，

RoIAlign 全程用小数坐标，就像用 “游标卡尺” 精准测量，而非 “普通尺子” 粗略取整。

连续特征映射：

双线性插值让每个采样点都能 “感知” 周围像素的信息，避免因取整导致的 “特征断裂”。比如，原图中汽车轮胎的边缘可能落在小数坐标上，RoIAlign 能准确捕捉，而 RoI Pooling 可能直接裁掉或错放到相邻像素。类比：像素画 vs. 矢量图

RoI Pooling：像像素画，放大后边缘锯齿明显（量化误差导致特征模糊）。

RoIAlign：像矢量图，无论怎么缩放，边缘都平滑（连续坐标 + 插值保留细节）。

在 Mask RCNN 中，这种精度提升对实例分割至关重要 —— 比如分割汽车时，轮胎边缘的精确性直接影响掩码（Mask）的质量。