最後の畳み込みレイヤーのアクティブ化関数に従って領域プロポーザルのサイズを変更すると、何が起こっていますか？ following CNNでのオブジェクト検出に関するチュートリアルでは、高速RCNNについて述べました。ここで彼らはROI層と何が起きているかについて言及しました。しかし、地域の提案を各セルの最終コンバージョンレイヤーの有効化に合わせてリサイズすると、数学的に何が起こるのか分かりません。高速rcnnのROIレイヤは何ですか？
関心領域（ROI）のプーリング：不均一なサイズの
それは（ここでは、convnet特徴マップ）入力にをプール最大を行い、プーリング層の一種であり、固定サイズ（例えば7x7）の小さな特徴マップを生成する。この固定サイズの選択は、ネットワークのハイパーパラメータであらかじめ定義されています。
このようなプーリングを行う主な目的は、訓練とテスト時間のスピードアップと、システム全体をエンドツーエンドで（共同で）訓練することです。
このプール層を使用しているため、トレーニング時間は&です。これは、元の（バニラ）R-CNNアーキテクチャと比較して速いため、Fast R-CNNに比べて高速です。
簡単な例（Region of interest pooling explained by deepsense.ioから）：
ROI（関心領域）層はFast R-CNNに導入され、Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognitionに導入された空間ピラミッドプーリング層の特殊なケースです。 ROI層の主な機能は、完全結合層のサイズ制約のために、固定長出力に任意のサイズの入力を再形成することです。
ROI層が下に示される仕組み：4×4（青）、2×2（緑色：このイメージに
あなたは "理由は完全に接続された層におけるサイズ制約の" ポイントについて詳しく説明することはできます。我々はピクセル値（スカラ）をFC層のニューロンに供給しているので、なぜ入力マトリックスのサイズが重要であるか。 – deadcode
ここで、領域プロポーザルとは、画像内の領域の形状、つまり画素の画像の部分の形状を意味し、最大フィルタ値が乗算されます。 –