FasterRcnn RoiPooling（Pytorch版本）部分幾個問題的解析：
（1）lib/model/roipooling文件夾中幾個子文件夾的內容：
faster rcnn pytorch中的roi pooling簡介
簡述：
1）src文件夾下是C和CUDA版本的源碼，其中roi_pooling的操作的前向傳播有C和CUDA版本，反向傳播只有CUDA版本；
2）ext文件夾下存儲src文件夾中C/CUDA代碼編譯後的文件的，編譯後的文件可以被Funcitons中的roi_pool.py調用；
3）Functions文件夾下的roi_pool.py繼承了torch.autograd.Function類，實現了Roi Pooling層的foward（）和backward（）函數。
4）Modules文件夾下的roi_pool.py繼承了torch.nn.Modules類，引用了Functions.roi_pool.py,實現了對Roi Pooling層的封裝，使Roi Pooling層可以和ReLU層等一樣被使用。
（2）RoiPooling和RoiAlign的區別：
簡述：
在Roi Pooling中，當Proposals從原圖映射到特徵圖，又從特徵圖上映射到固定大小時，需要進行兩次下采樣，當除得的結果不爲整數時，Poi Pooling在兩次計算過程中，分別對計算結果中的浮點數進行了量化取整操作，最終對各個小區域進行最大池化。這樣計算造成的像素偏差勢必會對後層的迴歸定位產生影響。
而Roi Align對這個過程進行了一些改進，在兩次計算過程中保留浮點數的計算結果，在最大池化前通過雙線性插值法計算計算各個小區域內每塊（如2*2塊）中心位置的像素值，再對各個小區域進行最大池化。
當檢測大目標時兩種方法相差不大，但檢測小目標時，Roi Align更加精準一些。
（3）在roi_pooling.py中爲何用ctx代替常見的self，如下所示。
def __init__(ctx, pooled_height, pooled_width, spatial_scale):
簡述：
ctx是context的縮寫, 翻譯成"上下文/ 環境",ctx專門用在靜態方法中;而self指的是實例對象;
ctx用在靜態方法中, 調用時不需要實例化對象, 直接通過類名就可以調用, 所以self在靜態方法中沒有意義；
自定義的forward()方法和backward()方法的第一個參數必須是ctx;，ctx可以保存forward()中的變量,以便在backward()中繼續使用；