理解CNN感受野：固定大小特征映射与计算-优快云博客

本文介绍了CNN的感受野概念，通过一个3x3卷积层的例子展示了固定大小的CNN特征映射，并探讨了感受野的计算方法。通过递归应用公式，可以计算深层CNN中所有特征图的感受野信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原文地址

翻译来源：A guide to receptive field arithmetic for Convolutional Neural Networks

看这篇博客之前希望对CNN的基本概念有所了解，尤其是卷积和pooling操作。也可以看 "A guide to convolution arithmetic for deep learning [1]"来回顾一下. 这篇博客和该文章是想通的。

The fixed-sized CNN feature map visualization

By applying a convolution C with kernel size k = 3x3, padding size p = 1x1, stride s = 2x2 on an input map 5x5, we will get an output feature map 3x3 (green map). 我们假设一次叫做C的卷积过程中，输入图像大小为5x5，卷积核k=3x3，padding大小 p = 1, 步长 s = 2.

上行：采用上述卷积C过程进行操作，产生一个3x3的特征下行：在上面产生的特征基础上继续采用样相同的卷积过程C，产生一个2x2的特征图左栏: 我们只看特征图的时候，我们能够知道包含多少个特征，但是根本不能够指导1个特征值表示的感受野范围是多少。对于深度神经网络中跟踪感受野信息是不可能的。右栏：特定featuremap大小的时候，特征值在感受野的中心位置。我们能够指导感受野的范围和位置。因为每个感受野大小是一定的，我们讷讷个够通过简单的计算确定感受野范围。 Each feature is then marked at the center of its receptive field location. Because all features in a feature map have the same receptive field size, we can simply draw a bounding box around one feature to represent its receptive field size. We don’t have to map this bou