RoIPoolingは、畳み込みニューラルネットワークにおいて異なるサイズの画像領域から固定サイズの特長量を抽出する手法です。物体検出の分野で広く活用されています。
RoIPoolingとは
RoIPooling（Region of Interest Pooling）とは、畳み込みニューラルネットワーク（CNN）において、入力画像上の異なる大きさの領域（RoI）から、一定のサイズを持つ特徴量を効率的に抽出するためのプーリング処理です。
詳しく解説
物体検出タスクでは、画像内の様々な位置やサイズに存在するオブジェクトを認識し、その位置を特定する必要があります。しかし、全結合層に入力するためには特徴量のサイズを統一しなければなりません。RoIPoolingは、可変長の領域をグリッド状に分割し、各セル内で最大値プーリングなどを行うことで、任意のサイズの領域を固定次元の特徴量ベクトルに変換します。これにより、物体検出モデルのパイプラインにおいて効率的な一括処理が可能となります。
具体例・使われ方
代表的な活用例として、物体検出モデルであるFast R-CNNやFaster R-CNNがあります。これらは、入力画像から物体が存在しそうな領域候補を複数抽出し、それぞれの領域に対してRoI Poolingを適用することで、物体のクラス分類と位置バウンディングボックスの予測を同時に行います。
似た用語との違い
後継技術であるRoIAlignとの違いが重要です。RoIPoolingでは領域を量子化（四捨五入などの整数化）する際におおよその位置を使用するためわずかな位置ずれが生じ、画素レベルの位置精度に悪影響を与えることがありました。一方、RoIAlignはこの量子化を行わず、双一次補間を用いることで位置のずれ問題を解消しています。
注意点
RoIPoolingの最大の課題は、量子化プロセスによる微小な位置ズレです。特に小さなオブジェクトの検出や高精度なセグメンテーションタスクにおいては精度低下の原因となるため、現在ではより改良されたRoIAlignが使われることが多くなっています。