ROI Align 是在Mask-RCNN這篇論文里提出的一種區域特征聚集方式, 很好地解決了ROI Pooling操作中兩次量化造成的區域不匹配(mis-alignment)的問題。實驗顯示，在檢測測任務中將 ROI Pooling 替換為 ROI Align 可以提升檢測模型的準確性。

如果roi大小為(7,6)，而roipooling是分成了(6,6)的部分，(7,6)到(6,6)的轉換必然帶來了邊緣某像素的損失。而roialign利用雙線性插值，將roi(7,6)插值擴充到(12,12)，此時再做(6,6)的roipooling，會提高精度，充分利用了roi的像素。

1. ROI Pooling 的局限性分析

在常見的兩級檢測框架（比如Fast-RCNN，Faster-RCNN，RFCN）中，ROI Pooling 的作用是根據預選框的位置坐標在特征圖中將相應區域池化為固定尺寸的特征圖，以便進行后續的分類和包圍框回歸操作。由于預選框的位置通常是由模型回歸得到的，一般來講是浮點數，而池化后的特征圖要求尺寸固定。故ROI Pooling這一操作存在兩次量化的過程。

• 將候選框邊界量化為整數點坐標值。
• 將量化后的邊界區域平均分割成 k x k 個單元(bin),對每一個單元的邊界進行量化。

事實上，經過上述兩次量化，此時的候選框已經和最開始回歸出來的位置有一定的偏差，這個偏差會影響檢測或者分割的準確度。在論文里，作者把它總結為“不匹配問題（misalignment）。

下面我們用直觀的例子具體分析一下上述區域不匹配問題。如?圖1?所示，這是一個Faster-RCNN檢測框架。輸入一張800*800的圖片，圖片上有一個665*665的包圍框(框著一只狗)。圖片經過主干網絡提取特征后，特征圖縮放步長（stride）為32。因此，圖像和包圍框的邊長都是輸入時的1/32。800正好可以被32整除變為25。但665除以32以后得到20.78，帶有小數，于是ROI Pooling?直接將它量化成20。接下來需要把框內的特征池化7*7的大小，因此將上述包圍框平均分割成7*7個矩形區域。顯然，每個矩形區域的邊長為2.86，又含有小數。于是ROI Pooling?再次把它量化到2。經過這兩次量化，候選區域已經出現了較明顯的偏差（如圖中綠色部分所示）。更重要的是，該層特征圖上0.1個像素的偏差，縮放到原圖就是3.2個像素。那么0.8的偏差，在原圖上就是接近30個像素點的差別，這一差別不容小覷。

圖 1?

2. ROI Align 的主要思想和具體方法

為了解決ROI Pooling的上述缺點，作者提出了ROI Align這一改進的方法(如圖2)。ROI Align的思路很簡單：取消量化操作，使用雙線性內插的方法獲得坐標為浮點數的像素點上的圖像數值,從而將整個特征聚集過程轉化為一個連續的操作，。值得注意的是，在具體的算法操作上，ROI Align并不是簡單地補充出候選區域邊界上的坐標點，然后將這些坐標點進行池化，而是重新設計了一套比較優雅的流程，如?圖3?所示：

• 遍歷每一個候選區域，保持浮點數邊界不做量化。
• 將候選區域分割成k x k個單元，每個單元的邊界也不做量化。
• 在每個單元中計算固定四個坐標位置，用雙線性內插的方法計算出這四個位置的值，然后進行最大池化操作。

這里對上述步驟的第三點作一些說明：這個固定位置是指在每一個矩形單元（bin）中按照固定規則確定的位置。比如，如果采樣點數是1，那么就是這個單元的中心點。如果采樣點數是4，那么就是把這個單元平均分割成四個小方塊以后它們分別的中心點。顯然這些采樣點的坐標通常是浮點數，所以需要使用插值的方法得到它的像素值。在相關實驗中，作者發現將采樣點設為4會獲得最佳性能，甚至直接設為1在性能上也相差無幾。事實上，ROI Align 在遍歷取樣點的數量上沒有ROIPooling那么多，但卻可以獲得更好的性能，這主要歸功于解決了misalignment的問題。值得一提的是，在做實驗的時候發現，ROI Align在VOC2007數據集上的提升效果并不如在COCO上明顯。經過分析為造成這種區別的原因是COCO上小目標的數量更多，而小目標對misalignment問題的影響更為明顯（比如，同樣是0.5個像素點的偏差，對于較大的目標而言顯得微不足道，但是對于小目標，誤差的影響就要高很多）

圖 2?
?
圖 3?

總結

以上是生活随笔為你收集整理的目标检测特殊层：ROI Align层详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。