でこれ物体検出に関するチュートリアルでは、高速 R-CNN について言及されています。ROI (関心領域) レイヤーについても言及されています。
最終的な畳み込み層の活性化関数 (各セル内) に従って領域提案のサイズが変更されると、数学的には何が起こりますか?
ベストアンサー1
関心領域(RoI)プーリング:
これはプーリング層の一種であり、最大プーリング不均一なサイズの入力 (ここでは、convnet 特徴マップ) に基づいて、固定サイズ (たとえば 7x7) の小さな特徴マップを生成します。この固定サイズの選択はネットワーク ハイパーパラメータであり、事前に定義されています。
このようなプーリングを行う主な目的は、トレーニングとテストの時間を短縮し、システム全体をエンドツーエンドで（共同で）トレーニングすることです。
このプーリング層の使用により、トレーニングとテストの時間が元の（バニラ？）R-CNNアーキテクチャに比べて高速になり、それが名前の由来です。高速 R-CNN。
簡単な例（deepsense.io による関心領域プーリングの説明):
