请阐述 ROI Pooling 的概念，详细说明其实现流程，并分析该方法的不足之处。

回答思路

1. 【回答框架 1】ROI Pooling 是一种将不同尺寸的感兴趣区域映射到固定大小特征图的操作，常用于目标检测网络（如 Faster R-CNN）中。其输入是特征图和一组 ROI（由候选框坐标表示），输出是固定大小的特征图（例如 7x7）。主要流程分两步：首先，将 ROI 坐标映射到特征图尺度，通常除以输入图像的缩放倍数；然后，将映射后的 ROI 区域划分为固定数量的子窗口（如 7x7 个格子），对每个子窗口进行最大池化（取该区域内的最大值）。
2. 【回答框架 2】ROI Pooling 的核心作用是统一特征尺寸，使得后续的全连接层或分类器可以处理不同大小的候选区域。其局限性主要在于两次量化操作。第一次是 ROI 坐标在映射到特征图时可能不是整数，导致四舍五入产生位置偏移；第二次是在划分子窗口时，每个子窗口的边界也可能非整数，再次四舍五入。这两次量化会导致 ROI 区域的实际像素与理想区域不完全对应，影响检测精度。
3. 【回答框架 3】不同于 SSD 和 YOLO 直接基于锚框回归，ROI Pooling 支持任意尺寸的输入，但量化误差限制了其对小目标或精细定位的性能。后续提出的 ROI Align 通过双线性插值避免了量化，提高了精度，但增加了计算量。
4. 【关键点 1】ROI Pooling 将任意尺寸的 ROI 区域池化为固定大小的特征图，便于后续分类和回归。
5. 【关键点 2】过程包括坐标映射、区域划分和最大池化，每个子窗口取最大值。
6. 【关键点 3】主要局限是两次量化造成的像素偏移，影响定位精度。
7. 【关键点 4】ROI Align 通过双线性插值解决量化问题，是改进方向。
8. 【易错点 1】不能直接说 ROI Pooling 是精准的，量化误差可能导致候选框位置偏差。
9. 【易错点 2】不要混淆 ROI Pooling 和全局平均池化，前者针对候选区域，后者针对整个特征图。
10. 【易错点 3】注意 ROI Pooling 输出尺寸是超参数，例如 7x7 或 14x14。