我目前正在尝试从这里获取更快的R-CNN网络，以便在带有tensorflow的窗口中工作。为此，我想重新实现 ROI 池化层，因为它在窗口中不起作用(至少对我来说不是。如果您有任何关于使用张量流移植到窗口的提示，我将非常感谢您的评论！根据该网站，您所做的是，从功能图中获取建议的投资回报率，并将其内容最大化为固定的输出大小。以下全连接层需要此固定输出，因为它们仅接受固定大小的输入。
现在的问题是以下问题：
在 conv5_3(ROI 池化之前的最后一个卷积层)之后，区域提案网络生成的框大小大多为 5x5 像素。这完全没问题，因为我要检测的对象在原始图像中的尺寸通常为 80x80 像素(由于池化导致的缩减采样因子为 16)。但是，我现在必须将最大池化面积为 5x5 像素，并将其放大到 7x7，这是 ROI 池化的目标大小。我第一次尝试简单地进行插值没有奏效。此外，用零填充不起作用。我的课程似乎总是得到相同的分数。
我做错了什么吗？我不想更改任何层的尺寸，我知道我训练的网络通常有效，因为我在我的数据集上运行了 Linux 中的参考实现。
非常感谢您花费时间和精力:)
现在有一个官方的TF实现Faster-RCNN和其他对象检测算法，在他们的对象检测API中，你可能应该检查一下。
如果你仍然想自己编码，我想知道和你完全相同的事情，找不到你应该怎么做的答案。我的三个猜测是：
插值，但它会改变特征值，因此它会破坏一些信息......
只需将每个单元格复制 35 次即可调整为 35x35，然后将最大池化回 7x7(您不必实际调整大小然后进行池化，例如在 1D 中它基本上将自己减少到
output[i]=max(input[floor(i*5/7)], input[ceil(i*5/7)])，在 4D 中具有相似的最大值超过 2D 元素 - 小心，我可能忘记了一些 +1/-1 或其他东西-)。我至少看到两个问题：一些值被过度代表，比其他值被复制得更多;但更糟糕的是，某些(小)值甚至根本不会在输出中复制！(您应该避免这种情况，因为您可以在输出中存储比输入中更多的信息)确保在输出中至少在最佳位置复制一次所有输入要素值(基本上是使用
j=floor((i+1)*7/5)-1)input[i]复制到output[j])。对于其余点，请保留 0 或进行插值。我认为这个解决方案是最好的，也许有插值，但我真的不确定。
看起来 smallcorgi 的实现使用了我的第二个解决方案(没有实际调整大小，只是使用最大池化)，因为它与输入大于输出的情况相同。
我知道已经晚了，但我发布这个答案，因为它可能会帮助其他人。我编写了一段代码，解释了 roi 池在池和区域的不同高度和宽度条件下的工作原理。 你可以在 GitHub 中看到代码的链接： https://github.com/Parsa33033/RoiPooling