本文详细介绍了卷积神经网络中感受野（Receptive Field）的概念，指出它表示特征图上每个点在输入图像中的影响区域。通过实例计算展示了不同层的感受野大小，帮助读者理解其计算过程。第一层的感受野等于卷积核大小，后续层的感受野通过递推公式计算得出。此解析旨在避免学习者在理解过程中走弯路。
感受野的讲解，我在网上查了好多都是错误的，浪费了大量时间，后来总结下来避免大家入坑
一、感受野的概念
感受野（Receptive Field）的定义：卷积神经网络每一层输出的特征图（feature map）上的像素点映射回输入图像上的区域大小。通俗点的解释是，特征图上一点，相对于原图的大小，也是卷积神经网络特征所能看到输入图像的区域
第一层的感受野，永远等于第一个卷积核的尺寸大小
感受野的大小的求解是一个不断递推的过程，因为第一层的每一个像素的感受野始终是第一个卷积核的大小，故而RF1总是最先确定，然后以此类推，逐步求出RF2、RF3、RF4、RF5……
公式 
此处k表示第i+1层卷积核的大小
Raw =1
conv1=1+(11-1)*1=11
pooling1=11+(3-1)*4=19
conv2=19+(5-1)*4*2=51
pooling2=51+(3-1)*4*2*1=67
conv3=67+(3-1)*4*2*1*2=99
conv4=99+(3-1)*4*2*1*2=131
...
扫一扫
2923
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
