感受野计算总结

Posted ocean1100

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了感受野计算总结相关的知识,希望对你有一定的参考价值。

Introduction

  感受野(receptive field)是卷积神经网络(Convolutional Neural Network,CNNs)中最重要的概念之一,当前流行的物体识别方法的架构大都围绕感受野的设计。

  从CNN可视化的角度来讲,感受野就是输出featuremap某个节点的响应对应的输入图像的区域就是感受野。

  比如我们第一层是一个33的卷积核,那么我们经过这个卷积核得到的featuremap中的每个节点都源自这个33的卷积核与原图像中33的区域做卷积,那么我们就称这个featuremap的节点感受野大小为33。

  如果再经过pooling层,假定卷积层的stride是1,pooling层大小22,stride是2,那么pooling层节点的感受野就是44。

  

  有几点需要注意的是,padding并不影响感受野,stride只影响下一层featuremap的感受野,size影响的是该层的感受野。

Calculation

第n层的感受野为:
[ r_n = r_{n-1} imes k_n - (r_{n-1} - prod_{i=1}^{n-1} s_i) imes (k_n - 1) ]
其中,(r_n):第n层感受野;(k_n):第n层卷积/池化核大小;
化简后得:
[r_n = r_{n-1} + (k_n - 1) prod_{i=1}^{n-1} s_i]
说人话,就是,第n层感受野大小=上一层感受野大小+(第n层卷积核大小-1)乘以本层以前所有stride的乘积。

以上是关于感受野计算总结的主要内容,如果未能解决你的问题,请参考以下文章

可解释深度学习:从感受野到深度学习的三大基本任务:图像分类,语义分割,目标检测,让你真正理解深度学习

深度学习笔记感受野计算

如何计算感受野大小? [关闭]

卷积神经网络物体检测之感受野大小计算

CNN中感受野的计算

关于感受野的理解与计算