目標：爲了使得檢測網絡可以輸入任意size的圖片，使用ROIPooling在網絡中某一個階段將不同尺度的圖片ROI pooling成相同的尺度，使得fc的存在也無法寫死輸入圖片的size。
ROIPooling:
方法：直接Pooling,若尺寸不對應則直接取整
缺點：
由於 RoIPooling 採用的是 INTER_NEAREST（即最近鄰插值） ，在resize時，對於 縮放後坐標不能剛好爲整數 的情況，採用了 粗暴的捨去小數，相當於選取離目標點最近的點，損失一定的空間精度。
例如：一張圖片輸入VGG16，則得到的尺寸縮小爲1/32，如下圖中，圖片大小爲800，則恰好爲25，但區域塊大小爲665經過VGG後則爲20.78，則直接處理爲20，再通過ROIPooling(即，將所有不同的尺寸全部Pooling處理爲相同的大小）處理爲7*7，則20/7--> 2，由下圖可知，Pooling之後存在一定的位置偏移。
具體計算：
下圖爲一張8*8的feature map，選取其中一個5*7的region輸入ROIPooling輸出2*2的結果。
（1）劃分爲2*2=4塊區域
1）5/2 = 2.5 --> 2, 剩下的爲3，則2+3
2）7/2 = 3.5 -->3， 剩下的爲4，則3+4
（2）取每個小區域的最大值爲pooling值
ROIAlign:
改進：將最近鄰插值換爲雙線性插值，使得即使縮放後坐標不能剛好爲整數，也能通過插值得到浮點數處的值處理得到pooling後的值。
如下圖所示：ROIAlign中池化的塊允許爲浮點數，通過雙線性插值得到尺寸爲浮點數的塊池化後的結果，保證了空間精度。
具體計算：
下圖爲一張8*8的feature map，選取其中一個5*7的region輸入ROIPooling輸出2*2的結果。
（1）劃分爲2*2=4塊區域
1）5/2 = 2.5 --> 2.5, 不再取整，則2.5+2.5
2）7/2 = 3.5 -->3.5，不再取整，則3.5+3.5
（2）將每小塊再分爲4個小區域，使用雙線性插值的方法求取這四個小區域的中心點處的值
（3）取每個區域的最大值爲pooling值
ROIPooling換爲ROIAlign所做的改動：
