RoI Pooling与RoIWrap Pooling与RoIAlign Pooling与Precise RoI Pooling

太过爱你忘了你带给我的痛 2022-04-03 02:38 337阅读 0赞

# 1. 前言 #

文章标题给出了四种Pooling的方法，这feature pooling方法是我在看论文的时候看到的，从最开的PoI Pooling到目前最新的Precise RoI Pooling由Pooling操作带来的检测精度影响越来越小。这篇文章目的是想梳理一下它们之间的区别与联系。

# 2. RoI Pooling #

这种Pooling方法我是在Faster RCNN中看到的，该种Pooling方法采用的运算方法比较直接。下面是其计算的流程图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]  
在该网络中假设使用的骨架网络中的 f e a t s t r i d e = 16 feat\_\{stride\}=16 featstride=16，且测试图像中的一个边界框的大小为 400 ∗ 300 400\*300 400∗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 ∗ 18.75 400/16\*300/16=25\*18.75 400/16∗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 25\*18 25∗18。  
2）得到Pooling结果。最后的RoI Pooling的输出是固定的为 7 ∗ 7 7\*7 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 25/7\*18/7=3.57\*2.57 25/7∗18/7=3.57∗2.57。-\_-||，小数又来了，那么取整吧，这是**第二次量化操作**，块的区域就变成了 3 ∗ 2 3\*2 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。

# 3. RoIWrap Pooling #

该Pooling方法比前面提到的Pooling方法稍微好一些。该方法出现在[Instance-aware Semantic Segmentation via Multi-task Network Cascades][]中。对于一个选出来的预测框，它的对应的RoI区域可以通过 f e a t s t r i d e feat\_\{stride\} featstride算出来（crop操作），如下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]  
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 f e a t s t r i d e = 16 feat\_\{stride\}=16 featstride=16，且测试图像中的一个边界框的大小为 400 ∗ 300 400\*300 400∗300。  
1）corp操作。边界框在对应feature map上的大小为 400 / 16 ∗ 300 / 16 = 25 ∗ 18.75 400/16\*300/16=25\*18.75 400/16∗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 25\*18 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 14\*14 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。

# 4. 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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]  
那么它具体是怎么搞的呢？还是用之前的例子来看看吧。在该网络中假设使用的骨架网络中的 f e a t s t r i d e = 16 feat\_\{stride\}=16 featstride=16，且测试图像中的一个边界框的大小为 400 ∗ 300 400\*300 400∗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 ∗ 18.75 400/16\*300/16=25\*18.75 400/16∗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 7\*7 7∗7，那么每个块得到的大小是 25 / 7 ∗ 18.75 / 7 = 3.57 ∗ 2.65 25/7\*18.75/7=3.57\*2.65 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 2\*2 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。具体的差别有多大呢？可以看一下Mask RCNN中给出的实验数据。  
![在这里插入图片描述][20181219234133622.png]

# 5. Precise RoI Pooling #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]  
这里的这个方法就更厉害了，其第一步与前面一种方法一样通过双线性运算得到。区别就是第二步了，在上一个方法中使用的是采样的方式得到最后的结果，这里使用积分取均值实现  
![在这里插入图片描述][20181219234257107.png]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]: /images/20220403/de8862d69f0a487c83630bdae3c5a6d7.png
[Instance-aware Semantic Segmentation via Multi-task Network Cascades]: https://arxiv.org/abs/1512.04412
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]: /images/20220403/c1417c748c984566b6fc1e7c1a570fd1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]: /images/20220403/5b89a522a7b147b39e8a7fde5ba682e7.png
[20181219234133622.png]: /images/20220403/b821aeffc09e4d47942b77d3c271218b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]: /images/20220403/7de9fbeb2e2b445487d32f7e7fdb3ab3.png
[20181219234257107.png]: /images/20220403/d2e611d5d8134776aa7ef6cad30b3ce3.png