Mi az a RoIAlign és miért pontosabb, mint a RoIPool?

A RoIAlign egy olyan művelet, amelyet a számítógépes látásban használnak, hogy fix méretű jellemzőket nyerjenek ki az érdeklődési területekből (Region of Interest, RoI) a bemeneti képen vagy jellemző tenzorban. A Mask R-CNN-ben javasolták a szegmentálás és az objektumfelismerés pontosságának javítása érdekében.

A RoIPool-lal ellentétben, amely a RoI-t rácsra osztja és max-pooling műveletet alkalmaz a koordináták kerekítésével, a RoIAlign kiküszöböli a koordináták kerekítésének problémáját, bilineáris interpolációt használva az értékek kiszámítására lebegőpontos helyeken. Ez lehetővé teszi a RoI és a jellemzők közötti pontos térbeli megfelelést.

Miért pontosabb a RoIAlign, mint a RoIPool:

• A RoIPool kerekíti a koordinátákat a RoI felosztásakor, ami információveszteséghez és jellemzők eltolódásához vezet.
• A RoIAlign interpolációt használ, ami megőrzi a pontos pozíciókat és javítja a kinyert jellemzők minőségét.

Példa: ha a RoI olyan területet fed le, amelynek koordinátái nem oszthatók a rács méretével, a RoIPool kerekíti azokat, míg a RoIAlign interpolációval számítja ki az értékeket, ami különösen fontos szegmentálási feladatoknál, ahol a határok pontossága kritikus.