在this有关对象检测的教程中，提到了快速R-CNN。还提到了ROI(感兴趣区域)层。
从数学上讲，当根据最终卷积层激活函数(在每个单元中)调整区域建议的大小时，会发生什么情况？
最佳答案
兴趣区域(RoI)合并:
它是一种池化层，可对大小不一的输入(此处为convnet特征图)执行最大池化，并生成固定大小(例如7x7)的小特征图。该固定大小的选择是网络超参数，并且是预定义的。
进行这种合并的主要目的是加快培训和测试时间，并从端到端(以联合方式)培训整个系统。
由于使用了该池化层，因此与原始( Vanilla ？)R-CNN架构相比，训练和测试时间更快，因此命名为Fast R-CNN。
简单示例(来自Region of interest pooling explained by deepsense.io):
关于deep-learning - 快速R-CNN中ROI层的目的是什么？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/43430056/