专家
解读
图像数据与一个或多个核卷积，并生成相应的一个或多个特征映射。感兴趣区域图是从一个或多个特征图中提取出来的，并基于候选的一个或多个特征进行合并。池化生成的特征向量维数小于与一个或多个特征映射相关联的维数。在神经网络中，特征向量被展平并作为一个层输入。神经网络输出与图像数据中的对象相关联的分类。
上图就是分类的特征选择过程，3个特征选择boxes用在了不同的类别上。特征选择box的数量取决于类别的数量。上图中的114就是感兴趣区域，106就是感兴趣区域池化后的特征图。其实在一副图片中有很多感兴趣区域。
下图是解释下CNN的运行过程，其实CNN可以学习一个对应的模式来提取重要的特征。其中216就是今天要提及的核心：
下图这个分别展示了Weven和Wodd的稀疏核：
Sparse ROI Pooling
ROI池化其实会导致稀疏和冗余的特征，特别是在水平和垂直不安全的位置（通过box突出显示）。本次技术主要是跳过奇数或者偶数索引的特征，通过这样做，他可以在不影响特征表示的情况下，将全连接层的参数减半。
CNN和目标检测的系统组件示意图
下图就展示了一个案例，检测图像中的目标方法的流程图。该方法至少由一个硬件处理器执行。702是图像的接收，图像数据可能包括真实数据。
END
