感受野以及带洞卷积

Posted ywheunji

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了感受野以及带洞卷积相关的知识,希望对你有一定的参考价值。

感受野就是输出的feature map中的一个像素点对应到输入图像的映射;下图中特征点(绿色和黄色)对应的阴影部分即为感受野。

左边的图为正常的普通卷积过程;右边的为输入和输出大小一样的卷积过程,采用的方法是在得到的feature map中的特征点之间加入0(与带洞卷积类似,但不是一样的)

右边的好处是,可以明显的观察到每个特征点所映射的位置;特征点位于感受野面积的中心。

感受野计算公式:RF = ((RF -1)* stride) + fsize    其中公式里RF为上一层的感受野,第一次一般为1,fsize是kernel size

技术图片

 

带洞卷积是卷积核带洞,动画演示效果图链接:https://www.zhihu.com/question/54149221

技术图片技术图片

 

 带洞卷积提出的目的,普通的fcn等都是需要卷积之后进行池化,池化的目的一是减少参数,二是增大感受野,但是之后还需要进行unsampling,这时就不可避免的会漏掉某些信息,结果会很

粗糙;人们就想有么有一种方法可以不进行池化达到同样的目的,就提出了带洞卷积,增大感受野的同时不损失信息。

带洞卷积的特点是卷积核的参数个数保持不变,感受野的大小随着“dilation rate”参数的增加呈指数增长

总结:

带洞卷积保持参数不变的同时,也保证了输出feature map的大小不变,一个扩张率为2的3×3卷积核,感受野与5×5的卷积核相同,但参数数量仅为9个。

以上是关于感受野以及带洞卷积的主要内容,如果未能解决你的问题,请参考以下文章

卷积神经网络物体检测之感受野大小计算

论文笔记-卷积神经网络中的感受野

感受野计算总结

感受野

卷积神经网络中感受野计算

[人工智能-深度学习-30]:卷积神经网络CNN - 感受野,特征的提取与范围的扩散