前言：
接著上一篇文章提到的RCNN網(wǎng)絡(luò)物體檢測(cè)，這個(gè)網(wǎng)絡(luò)成功的引入了CNN卷積網(wǎng)絡(luò)來(lái)進(jìn)行特征提取，但是存在一個(gè)問(wèn)題，就是對(duì)需要進(jìn)行特征提取圖片大小有嚴(yán)格的限制。當(dāng)時(shí)面對(duì)這種問(wèn)題，rg大神采用的是對(duì)分割出的2000多個(gè)候選區(qū)域，進(jìn)行切割或者縮放形變處理到固定大小，這樣雖然滿足了CNN對(duì)圖片大小的要求，確造成圖片的信息缺失或者變形，會(huì)降低圖片識(shí)別的正確率. 如下圖所示：
正文：
何凱明大神在看到RCNN模型，分析了CNN模型的特點(diǎn)后：由卷積部分和全連接兩部分構(gòu)成，而對(duì)于卷積部分而言，比如任意圖片大小(w,h),任意的卷積核size（a,b），默認(rèn)步長(zhǎng)為１，我們都會(huì)得到卷積之后的特征圖F(w-a+1,h-b+1)，所以這部分對(duì)圖片大小沒(méi)有要求，有要求的地方在全連接層（如下圖），全連接層的神經(jīng)元設(shè)定之后是固定的（如圖 Input layer 神經(jīng)元個(gè)數(shù)），而每一個(gè)都對(duì)應(yīng)者一個(gè)特征，rg大神在進(jìn)入CNN前對(duì)圖片進(jìn)行warp處理，就是為了卷積之后的特征數(shù)，能夠和了全連接層的神經(jīng)元個(gè)數(shù)相等.
但是何大神覺(jué)得，事情還可以更有趣，他提出將特征數(shù)據(jù)（特征圖）進(jìn)一步處理，然后拼湊成和神經(jīng)元個(gè)數(shù)相同的特征數(shù)，這樣就可以不用warp圖片大小也可以獲得相同數(shù)量的特征，那么他是咋樣處理這特征圖的呢？
