[人工智能]ROI Align 10s，1min和10min的三种理解。

本文从10秒，1分钟，10分钟的三种方式去理解ROI Align。

10s

ROI Pooling的改进版，解决了映射误差和均分误差问题，提高了后续处理的准确率。ROI Align取消量化操作，主要是利用虚拟像素的方法，即用双线性插值的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作。

1min

原理

因为feature map当中是一叠矩阵，而矩阵下标均为整数，可是我们预测框预测结果并不为整数，ROI pooling采取的方式是向下取整，把它强行变成整数框，使得它的框和feature map的边界一致。每次这样做时，都会丢失有关该目标的部分信息。这降低了整个模型的精度。

在 ROI 中，卷积图被数字化（上图左上图）：目标特征图的单元边界被迫与输入特征图的边界重新对齐。因此，每个目标单元格的大小可能不同（左下图），而这使得物体的预测边框与真实边框存在一个差距，这个差距在大物体检测时，误差可以接受，但在小物体检测时，误差就显得尤为难以接受。Mask R-CNN 使用ROI Align，它不会取整单元格的边界（右上）并使每个目标单元具有相同的大小（右下）。它还应用插值来更好地计算单元格内的特征图值。例如，通过应用插值，现在左上角的最大特征值从 0.8 变为 0.88。

Roi Pooling vs Roi Align

• 首先，我们经过一些卷积层得到了如图左侧的输入特征图。
• 然后根据region proposal（区域提议），我们使用一个 7×5 的区域作为 RoI Pooling 的输入，以输出 2×2 的特征图。
• 每个黑色矩形都经过四舍五入以具有整数长度以供以后进行池化。
• 对于输出特征图的每个值，它们只选取每个黑色矩形的最大值，称为最大池化（Max Pooling）。

• 不是将黑色矩形四舍五入以获得整数长度，而是使用相同大小的黑色矩形。
• 基于特征图值重叠的区域，取各单元格中心位置，使用双线性插值得到中间池化特征图，如图右下角所示。
• 然后在这个中间池化特征图上执行最大池化（Max pooling）。

10min

ROI Pooling的问题

数据丢失。

背景

模型采用大小为512x512x3（宽 x 高 x RGB）的图像输入，VGG16 将其映射到16x16x512特征图。比例因子是32。

接下来，我们使用其中一个建议的 RoI（145x200 box）并尝试将其映射到特征图上。因为不是我们所有的对象尺寸都可以除以 32，所以我们将 RoI 放置在不与网格对齐的位置。

• (9.25,6) — 左上角
• 6.25——宽度
• 4.53 — 高度

再次选择池化层的大小为3x3，因此最终结果形状为3x3x512（这只是一个任意示例，以便更容易在图像上显示。您的池化层可能具有不同的大小）。

ROI Align的细节

RoI Pooling 和 RoI Align 的主要区别在于量化。RoI Align 没有使用量化来进行数据池化。而Fast R-CNN则两次应用了量化。第一次是在映射过程中，第二次是在池化过程中。

如上，我们可以通过将原始 RoI 划分为 9 个大小相等的框并在每个框内应用双线性插值来跳过它。

将box放入映射的 RoI 中。每个框的大小由映射的 RoI 的大小和池化层的大小决定。我们使用的是 $3\times 3$ 的池化层，因此我们必须将映射的 RoI ( $6.25\times 4.53$ ) 除以 3。这给了我们一个高度为1.51和宽度为2.08的框。

我们注意到左上角，它覆盖了六个不同的网格单元。现在要为池化层提取值，我们必须从中采样一些数据。要对数据进行采样，我们必须在该框内创建四个采样点。

我们可以通过将框的高度和宽度除以 3来计算每个点的位置。
计算第一个点（左上角）坐标，如下所示：

• $X=X_{box}+(width/3)?1=9.94$
• $Y=Y_{box}+(height/3)?1=6.50$

要计算第二个点（左下角），我们只需要更改 Y：

• $X=X_{box}+(width/3)?1=9.94$
• $Y=Y_{box}+(height/3)?2=7.01$
  现在，当我们拥有所有点时，我们可以将双线性插值应用于此框的样本数据。双线性插值通常用于图像处理中对颜色进行采样，其方程如下所示：
  

图形解释如下：

我们从盒子中取出第一个点时，我们可以将它与最近的相邻单元格连接（连接到单元格的正中间，去代表单元格的值），除非它已经被占用。在这种情况下，我们的点坐标为(9.44, 6.50)。单元格左上角最近的中间是(9.50, 6.50)（如果我们的点在网格上仅高 0.1，则为 (9.50, 5.50)）。然后我们必须选择一个左下角，最近的一个是(9.50, 7.50)。按照同样的规则，我们选择(10.50, 6.50)和(10.50, 7.50)作为右上角和右下角的点。图上是线性插值的计算过程。

• 左上角：(10.50, 6.50)
• 左下角：(10.50, 7.50)
• 右上角：(11.50, 6.50)
• 右下角：(11.50, 7.50)

• 左上角：(9.50, 6.50)
• 左下角：(9.50, 7.50)
• 右上角：(10.50, 6.50)
• 右下角：(10.50, 7.50)

• 左上角：(10.50, 6.50)
• 左下角：(10.50, 7.50)
• 右上角：(11.50, 6.50)
• 右下角：(11.50, 7.50)

现在我们已经计算了所有的点，并且可以对它们应用Max Pooling（最大值池化）：

此过程适用于每一层，因此最终结果包含 512 层（与特征图输入相同）

请注意，即使我们没有将采样点放在特征图中的所有单元格中，我们也会通过双线性插值从它们中提取数据。

在这种情况下，单元格 11x6、11x7、11x8、11x9、11x10、13x6、13x7、13x8、13x9、13x10、15x6、15x7、15x8、15x9、15x10 里面不会有任何点。我们看上面第二个点计算（第一个框内的第二个点），即使该点位于单元格 10x6 中，它仍然使用单元格 11x6 和 11x7 进行双线性插值。

我们可以比较一下 RoIAlign 和 RoIPooling 的数据丢失/数据增益，我们可以看到 RoIAlign 使用了整个区域，因此也更加精细。

效果