前言：
接着上一篇文章提到的RCNN网络物体检测，这个网络成功的引入了CNN卷积网络来进行特征提取，但是存在一个问题，就是对需要进行特征提取图片大小有严格的限制。当时面对这种问题，rg大神采用的是对分割出的2000多个候选区域，进行切割或者缩放形变处理到固定大小，这样虽然满足了CNN对图片大小的要求，确造成图片的信息缺失或者变形，会降低图片识别的正确率. 如下图所示：
正文：
何凯明大神在看到RCNN模型，分析了CNN模型的特点后：由卷积部分和全连接两部分构成，而对于卷积部分而言，比如任意图片大小(w,h),任意的卷积核size（a,b），默认步长为１，我们都会得到卷积之后的特征图F(w-a+1,h-b+1)，所以这部分对图片大小没有要求，有要求的地方在全连接层（如下图），全连接层的神经元设定之后是固定的（如图 Input layer 神经元个数），而每一个都对应者一个特征，rg大神在进入CNN前对图片进行warp处理，就是为了卷积之后的特征数，能够和了全连接层的神经元个数相等.
但是何大神觉得，事情还可以更有趣，他提出将特征数据（特征图）进一步处理，然后拼凑成和神经元个数相同的特征数，这样就可以不用warp图片大小也可以获得相同数量的特征，那么他是咋样处理这特征图的呢？
