卷积神经网路之感受野（receptive field）的理解

卷积神经网络中的感受野计算与理解

原创

已于 2022-08-12 15:52:29 修改 · 842 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #cnn #神经网络

于 2022-06-29 22:51:21 首次发布

本文详细介绍了卷积神经网络（CNN）中的感受野概念，它源于生物学，表示输入图像中影响某个输出特征的区域。感受野的大小受卷积核尺寸、步长和池化操作的影响。通过实例计算展示了感受野如何随着网络层次加深而增大，帮助理解CNN如何从局部信息构建更复杂的特征。

卷积神经网路之感受野（receptive field）的理解与计算

感受野，源于生物学中，是一个有界限的媒介，一些生理刺激可以在特定生物体中引起感觉神经元反应。定义，单个感受器与许多感觉神经纤维相联系，感觉信息是通过许多感受神经纤维得到神经冲动。一个神经元所反应的刺激区域就叫做神经元的感受野（receptive field）
请添加图片描述

图片来源感受野

在卷积神经网络（CNN）。感受野被定义为输入中产生特征的区域的大小。基本上，它是（任何层的）输出特征与输入区域关联的度量。重要的是要注意感受野的概念适用于局部操作（即卷积、池化）
影响某个神经元输出的输入区域就是理论感受野，也就是我们平时说的感受野，但该输入区域的每个像素点对输出的重要性不同，越靠近中心的像素点影响越大，呈高斯分布，也就是说只有中间的一小部分区域对最后的输出有重要的影响，这个中间的一小部分区域就是有效感受野。
在这里插入图片描述 图片来源：感受野

可以看到在Layer2 中的每一个单元所能看到的原始图像范围是 $3 * 3$ ，而由于Layer3 的每个单元都是由 $3 * 3$ 范围的Layer2 构成，因此回溯到原始图像，其实是能够看到 $5 * 5$ 的原始图像范围的。因此我们说Conv1的感受野是3，Conv2的感受野是5. 输入图像的每个单元的感受野被定义为1，这应该很好理解，因为每个像素只能看到自己。