Learning Region Features for Object Detection
图像特征提取，候选区域生成，候选区域特征提取（roi pooling），区域识别，去重
fm x: Cf, H, W
RoI b
y(b) = RegionFeat(x, b)
y(b): K, Cf. K比如是bin的数目
y_k(b): 第k个bin内的特征
一般表述：
将y_k(b)的支持区域由roi pooling的一个bin内部扩展到整个fm x。权重依赖于位置p，fm x和roi b。
权重计算如下：
引用原文： building connections between 4D bounding box coordinates and 2D image positions in our problem （是一种注意力，后续再深入这一点）
如图：
不同的k之间的差别： 只有使用的W不同？
支持域由roi范围扩大到整个fm，可以通过稀疏采样降低计算量，RoI内部密集一些，外部稀疏一些。
What is learnt?这部分十分有趣，感觉不同的k学到的东西和深度学习的分布式表示特性有关。
提升的原因是引入了更大的context吗