感受野receptive fields计算

最新推荐文章于 2025-02-06 18:59:08 发布

原创最新推荐文章于 2025-02-06 18:59:08 发布 · 345 阅读

0 ·

CC 4.0 BY-SA版权

CNN 专栏收录该内容

1 篇文章

订阅专栏

本文详细介绍了两种计算深度学习网络中卷积层感受野的方法：从顶层到底层(top-down)和从底层到顶层(bottom-up)，并通过AlexNet网络的具体参数进行实例演示。文章提供了感受野计算器的在线工具链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

方法1

top to down
在这里插入图片描述
从最顶层往底层算：

RF=1 //最顶层一个1x1feature map
for layer in （top layer To down layer）: 
　　　　RF = (RF -1)* stride + kernelSize
//这里还有一个步长：
strides（i） = stride(1) * stride(2) * …* stride(i-1)

例如：[kernelSize,stride,padding]
{‘alexnet’: {‘net’:[[11,4,0],[3,2,0],[5,1,2],[3,2,0],[3,1,1],[3,1,1],[3,1,1],[3,2,0]],
‘name’:[‘conv1’,‘pool1’,‘conv2’,‘pool2’,‘conv3’,‘conv4’,‘conv5’,‘pool5’]},

//计算conv2 RF
RF=1//最顶层一个1x1feature map
RF=(RF-1)*1+5=(1-1)*1+5=5
RF=(RF-1)*2+3=(5-1)*2+3=11
RF=(RF-1)*4+11=(11-1)*4+11=51
所以conv2感受野是51，strides=4*2*1=8

方法2

down to top
从底层往顶层算：

RF=第一个conv的kernelSize
for layer in （down layer To top layer）: 
strides（i） = stride(1) * stride(2) * …* stride(i-1)
　　　　RF = (kernelSize-1)* strides + RF //strides同方法1
　　　　strides（i） = stride(1) * stride(2) * …* stride(i-1)

           kernelSize(stride)           RF(strides)
conv1            11(4)                    11(4)
pool1            3(2)                 (3-1)*4+11=19(8)
conv2            5(1)                 (5-1)*8+19=51(8)
pool2            3(2)                 (3-1)*8+51=67(8)
 ............