我们知道目标检测框架像faster-rcnn and mask-rcnn has an roi pooling layer or roi align layer。但是为什么ssd和yolo框架没有这样的层呢？
首先我们要明白这样做的目的是什么roi pooling : 从特征图上的建议区域获得固定大小的特征表示。由于所提出的区域可能有不同的大小，如果我们直接使用区域的特征，它们的形状会不同，因此无法输入到全连接层进行预测。 （我们已经知道全连接层需要固定形状的输入）。如需进一步阅读，here https://stackoverflow.com/questions/43430056/what-is-the-purpose-of-the-roi-layer-in-a-fast-r-cnn是一个很好的答案。
So we understood that roi pooling essentially requires two inputs, proposed regions and feature maps. As is clearly described in the following figure https://arxiv.org/abs/1506.01497 
.
那么为什么不呢YOLO and SSD use roi pooling？仅仅因为他们不使用区域提案！它们的设计本质上不同于诸如R-CNN、快速 R-CNN、更快 R-CNN， 实际上YOLO and SSD被分类为one-stage探测器而 r-cnn 系列 (R-CNN、快速 R-CNN、更快 R-CNN） 叫做two-stage检测器只是因为它们首先提出区域，然后执行分类和回归。
For one-stage detecors, they perform predictions (classification and regression )directly from feature maps. Their method is to divide images in grids and each grid will predict a fixed amount of bounding boxes with confidence scores and class scores. The original YOLO used a single scale feature map while SSD used multi-scale feature maps, as clearly shown in the following fig https://arxiv.org/abs/1512.02325 
我们可以看到YOLO和SSD，最终输出是一个固定形状的张量。因此它们的行为与类似问题非常相似linear regression，因此它们被称为one-stage探测器。
