CNN中感受野(Receptive Field)的计算和理解

Posted tsruixi

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CNN中感受野(Receptive Field)的计算和理解相关的知识,希望对你有一定的参考价值。

一、概念和计算公式

  1. 概念: 通俗来讲,就是表示当前输出特征图中像素点在原始图像上映射区域的大小。见下图
    技术图片
  2. 计算公式:(l_{k} = l_{k-1} + ((f_{k} - 1)*prod_{i=1}^{k-1}s_{i}))
  • (l_{k})表示第k层的感受野大小,(l_{k-1})表示第k-1层感受野的大小
  • (f_{k})表示当前层卷积核的大小,(s_{i})表示第i层的步长。

二、实例

技术图片

三、使用小卷积核,和同等感受野的大卷积核,有何优势?

  1. 参数更加少
  2. 可以使得通道更深,更好的表现非线性关系
  3. 例如,一个3x3的卷积核,步长为1,三层后感受野为7x7,两者的参数比较是3x(3x3xcxc) vs. 7x7xcxc

参考资料

以上是关于CNN中感受野(Receptive Field)的计算和理解的主要内容,如果未能解决你的问题,请参考以下文章

CNN-感受野

CNN中感受野的计算

深度学习入门基础CNN系列——感受野和多输入通道多输出通道以及批量操作基本概念

[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

如何计算卷积神经网络中接受野尺寸

轻量化CNN构建总结