羊了个羊游戏本质上是将三张相同图案的卡牌排列在一起进行消除，之后将卡池所有卡牌全部清空即可。而不同于传统消消乐，《羊了个羊》将需要消除的卡牌依某种规则堆叠在一起，玩家需要将卡池中的卡牌从上往下，消除掉上层卡牌才能解锁下层的卡牌。玩家需要按照规则，按照图案，从卡池内选取各个卡牌完成消除就算通关。 游戏第一关非常简单，只需要用户点击卡片就能轻松通过。而这关的主要目的就是培养用户学会游戏规则，让新用户感受休闲的氛围。 第二关刚开始也是比较简单的，但是随着卡牌的消除，可选择的卡牌数量越来越少难度也会逐渐增加。看着消除后变得越来越少的卡牌，给用户胜利在望马上就能通关了的柑橘。一旦通过失败，挫败感反而进一步让人想要继续挑战。 此外相关游戏有微软的pyramid纸牌，国产的3titles，可以去知网搜一下相关算法。算法改进的难点是在左右下角两摞未知的牌，会影响原有的排序
这里主要是FPN与ROI Pooling层的应用结合，首先需要知道几个概念：
Proposal：原图中很可能包含物体的某个区域（可以是bounding box或者pixel segments） ROI：Region of Interest，表示以原图为参考的Proposal映射到对应feature map上的区域
在Faster RCNN中，通过RPN得到了一堆Proposals，这些Proposals可以理解为在原图上的框，然后会通过下采样的比率，映射到某个Feature Map上，再通过ROI Pooling的操作，将这个bbox映射到这个feature map部分区域的特征变换到相同大小，再作后续的分类和回归。
作者的所设想的思路是，不同尺度的Proposal应该映射到不同尺度的Feature Map上，假设FPN共有{p2,p3,p4,p5,p6} 个Feature Map，论文中提出了一个公式制订了这个选择规则。如下： 
其中w和h是这个ROI还原回原图大小时的尺寸h和w，然后利用这个公式选择第k个feature map后，将其映射到第k个feature map上，再作后续的pooling，分类，回归操作。在Faster RCNN中仅仅使用了C4输出的single-scale feature map，所以这里预设 k0=4。
