1、ROI pooling
fast-rcnn论文提出，常用于two stage的方法中，实质是将原始feature map中不同大小的proposal区域，通过切分和max pooling，得到大小相等的目标feature区域，原理如下：
ROI pooling存在取整量化的精度损失，如下图，原始图像大小800*800，bbox大小665*665，在25*25的feature map层，目标feature map大小为665/32=20.78，ROI pooling直接取整量化为20*20，因此存在0.78x32=25个像素的定位精度损失。
2、ROI Align
针对ROI pooling取整量化导致的定位精度损失，何凯明在mask rcnn中提出了ROI Align，即不取整，利用小数周围的像素值双线性插值获得最终的像素值。示意如下图：
step1：将feature map上的bbox等分为N*N个bin（N*N为pooling的输出大小）
step2：每个bin均匀取4个采样点（实验效果最好）
step3：对每个采样点邻近grid的四个角点进行双线性插值，得到采样点值
step4：对每个bin的4个采样点计算max pooling，得出每个bin的pooling输出值
3、Precise ROI (PrRoI) pooling
PrRoI是旷视在ECCV2018论文Acquisition of Localization Confidence for Accurate Object Detection中提出，在RoI Align不取整量化的基础进一步改进：
1、首先对feature map的进行双线性插值，将离散的feature map wi,j变为连续的feature map f(x, y)，插值系数为IC(x, y, i, j)，其中(i, j)为离散坐标，(x, y)为连续坐标。
2、和RoI align一样划分bin，但是每个bin内部不再设置采样点，而是采用二维积分计算区域总像素值，再除以区域面积，所得均值作为bin的pooling输出。
通过计算公式可知，PrRoI是可导的，而RoI pooling和RoI align不可导，只能传递导数/梯度。
