感受野的计算与理解（一看就会）

Q1：感受野指什么？

A1：（1）从局部理解：（上层->本层）感受野等价与卷积核尺寸。

          （2）从全局理解：指输出特征层中一个点映射在原始输入图像中的区域。

           Tips：通常感受野指全局理解。通俗的理解，就是一次映入眼帘的范围，范围的大小决定了获取信息的多少，

 

Q2：如何计算一个点映射在原始图像中的区域大小？

 A2：（1）常规卷积核

          首先需要理解输出feature map大小的计算：其中P = padding, K = kernel_size, S = stride,

                  

      自顶向下计算：从输出层反向推导一个点对应输入层的feature map

                  

       通过上述公式只能推导出‘该层 的一个点’对应与‘其输入层’的映射区域，若想找到该层此点在原始图像的映射区域，需要依次迭代。

       Tips：在反向推导时，网络最终输出层一个点的感受野 = 1。

     举个不在边缘的点的栗子，其实你在其他地方也看的到（手动狗头保命），你可以用上述公式验证，验证的过程中你就体会到快乐了！觉得这个栗子看腻了，可以手动试一下位于边缘的点的计算。

                      

   

（2）带洞卷积（dilation convolutional）

          请参见我这篇：https://blog.youkuaiyun.com/weixin_36835368/article/details/105768962