ROI Pooling层解析

ROI Pooling的意义

ROIs Pooling顾名思义，是pooling层的一种，而且是针对ROIs的pooling；

什么是ROI呢？ROI是Region of interest的简写，指的是faster rcnn结构中，经过rpn层后，产生的proposal对应的box框。

所以ROI就是指矩形框，往往经过rpn后输出的不止一个矩形框，所以这里我们是对多个ROI进行Pooling。

ROI Pooling的输入

输入有两部分组成：
1. data：指的是进入RPN层之前的那个Conv层的Feature Map，通常我们称之为“share_conv”；
2. rois：指的是RPN层的输出，一堆矩形框，形状为1x5x1x1（4个坐标+索引index），其中值得注意的是：坐标的参考系不是针对feature map这张图的，而是针对原图的（神经网络最开始的输入）

ROI Pooling的输出

输出是batch个vector，其中batch的值等于roi的个数，vector的大小为channelxwxh；ROI Pooling的过程就是将一个个大小不同的box矩形框，都映射成大小为wxh的矩形框；

ROI Pooling的过程

如图所示，我们先把roi中的坐标映射到feature map上，映射规则比较简单，就是把各个坐标除以输入图片与feature map的大小的比值，得到了feature map上的box坐标后，我们使用pooling得到输出；由于输入的图片大小不一，所以这里我们使用的spp pooling，spp pooling在pooling的过程中需要计算pooling后的结果对应的两个像素点反映社到feature map上所占的范围，然后在那个范围中进行取max或者取average。

Caffe ROI Pooling的源码解析

1. LayerSetUp

template <typename Dtype>void ROIPoolingLayer<Dtype>::LayerSetUp(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top) {  ROIPoolingParameter roi_pool_param = this->layer_param_.roi_pooling_param();  //经过Pooling后的feature map的高  pooled_height_ = roi_pool_param.pooled_h();  //经过Pooling后的feature map的宽  pooled_width_ = roi_pool_param.pooled_w();  //输入图片与feature map之前的比值，这个feature map指roi pooling层的输入  spatial_scale_ = roi_pool_param.spatial_scale();}

2. Reshape

template <typename Dtype>void ROIPoolingLayer<Dtype>::Reshape(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top) {  //输入的feature map的channel数  channels_ = bottom[0]->channels();  //输入的feature map的高  height_ = bottom[0]->height();  //输入的feature map的宽  width_ = bottom[0]->width();  //设置输出的形状NCHW，N=ROI的个数，C=channels_，H=pooled_height_，W=pooled_width_  top[0]->Reshape(bottom[1]->num(), channels_, pooled_height_,      pooled_width_);  //max_idx_的形状与top一致  max_idx_.Reshape(bottom[1]->num(), channels_, pooled_height_,      pooled_width_);}

3. Forward

template <typename Dtype>void ROIPoolingLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top) {  //输入有两部分组成，data和rois  const Dtype* bottom_data = bottom[0]->cpu_data();  const Dtype* bottom_rois = bottom[1]->cpu_data();  // Number of ROIs  int num_rois = bottom[1]->num();  int batch_size = bottom[0]->num();  int top_count = top[0]->count();  Dtype* top_data = top[0]->mutable_cpu_data();  caffe_set(top_count, Dtype(-FLT_MAX), top_data);  int* argmax_data = max_idx_.mutable_cpu_data();  caffe_set(top_count, -1, argmax_data);  // For each ROI R = [batch_index x1 y1 x2 y2]: max pool over R  for (int n = 0; n < num_rois; ++n) {    int roi_batch_ind = bottom_rois[0];    //把原图的坐标映射到feature map上面    int roi_start_w = round(bottom_rois[1] * spatial_scale_);    int roi_start_h = round(bottom_rois[2] * spatial_scale_);    int roi_end_w = round(bottom_rois[3] * spatial_scale_);    int roi_end_h = round(bottom_rois[4] * spatial_scale_);    //计算每个roi在feature map上面的大小    int roi_height = max(roi_end_h - roi_start_h + 1, 1);    int roi_width = max(roi_end_w - roi_start_w + 1, 1);    //pooling之后的feature map的一个值对应于pooling之前的feature map上的大小    //注：由于roi的大小不一致，所以每次都需要计算一次    const Dtype bin_size_h = static_cast<Dtype>(roi_height)                             / static_cast<Dtype>(pooled_height_);    const Dtype bin_size_w = static_cast<Dtype>(roi_width)                             / static_cast<Dtype>(pooled_width_);    //找到对应的roi的feature map，如果input data的batch size为1    //那么roi_batch_ind=0    const Dtype* batch_data = bottom_data + bottom[0]->offset(roi_batch_ind);    //pooling的过程是针对每一个channel的，所以需要循环遍历    for (int c = 0; c < channels_; ++c) {      //计算output的每一个值，所以需要遍历一遍output，然后求出所有值      for (int ph = 0; ph < pooled_height_; ++ph) {        for (int pw = 0; pw < pooled_width_; ++pw) {          // Compute pooling region for this output unit:          //  start (included) = floor(ph * roi_height / pooled_height_)          //  end (excluded) = ceil((ph + 1) * roi_height / pooled_height_)          // 计算output上的一点对应于input上面区域的大小[hstart, wstart, hend, wend]          int hstart = static_cast<int>(floor(static_cast<Dtype>(ph)                                              * bin_size_h));          int hend = static_cast<int>(ceil(static_cast<Dtype>(ph + 1)                                           * bin_size_h));          int wstart = static_cast<int>(floor(static_cast<Dtype>(pw)                                              * bin_size_w));          int wend = static_cast<int>(ceil(static_cast<Dtype>(pw + 1)                                           * bin_size_w));          //将映射后的区域平动到对应的位置[hstart, wstart, hend, wend]          hstart = min(max(hstart + roi_start_h, 0), height_);          hend = min(max(hend + roi_start_h, 0), height_);          wstart = min(max(wstart + roi_start_w, 0), width_);          wend = min(max(wend + roi_start_w, 0), width_);          //如果映射后的矩形框不符合          bool is_empty = (hend <= hstart) || (wend <= wstart);          //pool_index指的是此时计算的output的值对应于output的位置          const int pool_index = ph * pooled_width_ + pw;          //如果矩形不符合，此处output的值设为0，此处的对应于输入区域的最大值为-1          if (is_empty) {            top_data[pool_index] = 0;            argmax_data[pool_index] = -1;          }          //遍历output的值对应于input的区域块          for (int h = hstart; h < hend; ++h) {            for (int w = wstart; w < wend; ++w) {             // 对应于input上的位置              const int index = h * width_ + w;              //计算区域块的最大值，保存在output对应的位置上              //同时记录最大值的索引              if (batch_data[index] > top_data[pool_index]) {                top_data[pool_index] = batch_data[index];                argmax_data[pool_index] = index;              }            }          }        }      }      // Increment all data pointers by one channel      batch_data += bottom[0]->offset(0, 1);      top_data += top[0]->offset(0, 1);      argmax_data += max_idx_.offset(0, 1);    }    // Increment ROI data pointer    bottom_rois += bottom[1]->offset(1);  }}