这几天在看一个代码，看到这个方法，官方给的代码样例：
>>> m = torchvision.ops.MultiScaleRoIAlign(['feat1', 'feat3'], 3, 2)
>>> i = OrderedDict()
>>> i['feat1'] = torch.rand(1, 5, 64, 64)
>>> i['feat2'] = torch.rand(1, 5, 32, 32) # this feature won't be used in the pooling
>>> i['feat3'] = torch.rand(1, 5, 16, 16)
>>> # create some random bounding boxes
>>> boxes = torch.rand(6, 4) * 256; boxes[:, 2:] += boxes[:, :2]
>>> # original image size, before computing the feature maps
>>> image_sizes = [(512, 512)]
>>> output = m(i, [boxes], image_sizes)
>>> print(output.shape)
>>> torch.Size([6, 5, 3, 3])当时很奇怪，输入除了 feat2 不要用，feat1，feat3都要用，但是我当时很奇怪的是：明明两个featuremap，按理输出的shape应该是 shape= [12，5，3，4]，为啥是[6, 5, 3, 3]？
我当时的想法是，有两个feature map，那6个box应该分别在每个feature map上进行找box对应区域，这个想法是错的，下图见解：
??
而且在RPN给出的rois时，给几个box，就会在上面初始化 MultiScaleRoIAlign 方法时确定（rois给几个，这个是确定好的），接着result中就会有几个key，不会出现覆盖。
虽然简单记录了，也不知道别人能不能看懂，但是困扰我有好久了，昨天晚上到今天终于搞懂了。
为数不多找到的参考：
???????从源码学习 Faster-RCNN - 刘知安的博客 | LiuZhian's Blog