對於roi-pooling的缺點在於兩次量化，從原圖對映到特徵圖的region proposal大概率是浮點數大小，這裡需要進行一次量化；對特徵圖上的region proposal進行分塊時也需要一次量化，方便pool操作。兩次量化使得region proposal反映射至原圖會出現誤差，誤差量與原圖解析度有關。這種偏差對解析度較高和目標較大的影響較小，而對小目標影響較大。
而roi-align利用雙線性插值的方法計算浮點數座標值對應的畫素值，填補了浮點數座標值畫素的空缺，使得相鄰兩個整數座標值對應的畫素值連續，避免了roi-pooling中兩次量化的誤差。有利於小目標檢測。
由此思考，分析處理過程中的細節，可能找到產生誤差的地方。通過優化這些誤差，理論上可以提高精度。
目標檢測特殊層 ROI Align層詳解
roi align 是在mask rcnn這篇 裡提出的一種區域特徵聚集方式,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 可以提公升檢測模型的準確性。如果roi大...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
目標檢測入門 目標檢測基本概念
目標檢測關注影象中特定的物體目標，要求同時獲得這一目標的類別資訊和位置資訊。檢測給出的是對前景和背景的理解，需要從背景中分離出感興趣的目標，並確定這一目標的描述 類別和位置，常用檢測框表示 與影象分類的區別，目標檢測更具難度 影象分類只需要判斷輸入的影象中是否包含感興趣物體，而不需要定位具體位置 如...