A guide to receptive field arithmetic for Convolution Neural Networks

本文详细介绍了卷积神经网络中感受野的概念及其计算方法,包括感受野的大小、中心点位置等,并通过具体公式和例子展示了如何计算不同层的感受野。

目标

  • 感受野的大小
  • 感受野的中心

感受野

  • 定义
    • 卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小
  • 可视化——有两种方式将感受野形象地表示出来,

    • 第一种:如左图所示,每一层的输出为真实输出的大小,在原始图像中灰色部分为感受野,在这种方式下,感受野的中心点和大小不是很容易计算。
    • 第二种,如右图所示,每一层的大小与原始图像的大小一致,带颜色表示有数据,空白表示无数据。(蓝色为原始图像(大小为5),绿色第一层输出,橙色为第二层输出,卷积参数:s=2、p=1、k=3)
      这里写图片描述
      • 第一层输出
        这里写图片描述
      • 第二层输出
        • 以第一层输出为基础
          这里写图片描述
        • 以原始图像为基础
          这里写图片描述
  • 计算

    • 设定变量
      • 卷积中的 s, p, k
      • n:每一维度的长度
      • r: 感受野的大小
      • j: 两个相邻单元的距离
      • start: 左上角的第一个单元的中心点的坐标
    • 计算公式
      • nout=nin+2pks+1 n o u t = ⌊ n i n + 2 p − k s ⌋ + 1
      • jout=jins j o u t = j i n ∗ s
      • rout=rin+(k1)jin r o u t = r i n + ( k − 1 ) ∗ j i n
      • startout=startin+(k12jin) s t a r t o u t = s t a r t i n + ( k − 1 2 ∗ j i n )
  • 例子
    这里写图片描述
    • 其中 start0=0.5 s t a r t 0 = 0.5 ,由于是原始图像是正方形,所有横纵坐标相等,都为0.5,也可以写为 (0.5,0.5) ( 0.5 , 0.5 )
    • 如果把输出层的左上角的第一个单元标号为 (1,1) ( 1 , 1 ) ,沿着x,y递增,若知道某单元的标号j为 (p,q) ( p , q ) ,那么其感受野的中心点的坐标为 (0.5+(p1)jout,0.5+(q1)jout) ( 0.5 + ( p − 1 ) ∗ j o u t , 0.5 + ( q − 1 ) ∗ j o u t )
原文
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sda42342342423

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值