ROIPooing

暫時不糾結 faster rcnn 最後一步是否是全鏈接層（gluoncv裏面是rcnn層）；

說一下feature map 和 anchor (Proposal) 做爲輸入，怎麼計算ROIPooing ，怎麼對應的。

例：

anchor [0,0,0,20,20] 縮放後是 3*3，ROIPooing 2*2，feature map 4*4；

from mxnet import nd

X = nd.arange(16).reshape((1,1,4,4))
print(X)

rois = nd.array([[0,0,0,20,20],[0,0,10,30,30]])

print(nd.ROIPooling(X,rois,pooled_size=(2,2),spatial_scale=0.1))

 這在gluoncv裏面是一樣的寫法：默認_roi_size = (14,14)

# ROI features
if self._roi_mode == 'pool':
    pooled_feat = F.ROIPooling(feat, rpn_roi, self._roi_size, 1. / self._stride)
elif self._roi_mode == 'align':
    pooled_feat = F.contrib.ROIAlign(feat, rpn_roi, self._roi_size, 1. / self._stride,
                                             sample_ratio=2)

以後能夠來一個完整的gluoncv 的 faster rcnn 的 forward 計算的分析 ^_^