idea：ROI pooling前都是卷积，是具备平移不变性的，但一旦插入ROI pooling之后，后面的网络结构就不再具备平移不变性了，就解决了分类和定位的矛盾，但因为引入roi-wise layer，会牺牲训练和测试的效率。因此，本文想提出来的position sensitive score map这个概念是能把目标的位置信息融合进ROI pooling

roi-wise 也就是指每个roi都要单独经过两个fc层，也就是分别进行分类和回归，耗时

 

rfcn是在faster上做的改进，主要改变的就是roi-pooling之后的结构，其实主要改变的是fast那一部分。faster网络经过roi-pooling后使用3个fc然后进行分类和回归，fc常常在分类网络中使用，但用在检测中会有一个问题：丧失了平移不变性。这是因为fc对输入( 
可以看另一篇博客fc全连接层的作用、卷积层的作用、pooling层、激活函数的作用)不同位置出现同一个pattern是等价的。于是采用了全卷积网络来替代fc，提出了position sensitive score map的结构，把整个框分成了k*k个位置，并用ps-poipooling替代了原始的roi-pooling。对于ps-poipooling生成的feature map，在每个channel做mean pooling以获得每个类别的概率（而不用像faster rcnn那样pooling之后使用fc）。这一点在分类网络中也使用到了(可以看另一篇博客fc全连接层的作用、卷积层的作用、pooling层、激活函数的作用),这样做的好处一个是减少参数量，二一个是保证平移不变性。

 

 

提出position sensitive score map还有个idea：随着网络深度的增加，网络对于位置（Position）的敏感度越来越低，也就是所谓的translation-invariance，但是在Detection的时候，需要对位置信息有很强的的敏感度。