1.RoIPooling
RoIPooling顧名思義對Roi進行Pooling操作，主要用於目標檢測任務。RoI（Region of interest）指的是一張圖片中認爲有存在目標的區域，例如下圖中的藍色和紅色區域，這裏我們不用去管Roi是如何提取的。
一般使用到RoIPooling的流程爲： 輸入圖片->多層卷積->對卷積後feanture map的Roi進行 max pooling操作->得到fix feature map（這個feature map的size是我們設定好的，例如7×7）->多層全連接
對Roi的max pooling操作的kernel size記作A, 即A = 多層卷積後的feature map的size / fix feature map 的size
因此這裏的A有可能不是整數 ，那麼該如何處理呢？
第一種辦法：對A進行四捨五入（最近鄰插值法），然後一次從左到右對多層卷積後的feature map進行max pooling操作，這樣做相當與丟棄了feature map右邊的一些值。（faster R-CNN中使用的一種方式）
第二種辦法： 不直接丟棄feature map的值，即改變A的值爲多個不同的整數，使得劃分多層卷積後的feature map的區域的個數等於fix feature map size 例如7×7， 然後對劃分的每一個區域取最大值，即得到fix feauture map， 這樣做相當將池化核（正方形）a×a變成了不同的（長方形）m1×n1，m2×m2,.... 如何確定這些值，比較難以處理。
RolPooling的優點：可以重用多層卷積後的feature map，加快了訓練和測試時間，可以實現end-to-end訓練
2.RoIAlign
RoIAlign針對第一種方法進行改進，何凱明在Mask RCNN中指出第一種方法會損失空間對稱性 ，從而將最近鄰插值法替換爲雙線性插值，並且命令爲RoIAlign。雙線性插值法可以參考下面的鏈接。
參考鏈接：RoIPooling ，SPP，雙線性插值