博客围绕CNN展开，先介绍了前向传播中特征图尺寸的计算方法，依据输入特征图尺寸、卷积核尺寸、padding和步长来计算输出特征图尺寸。接着阐述感受野概念，即第k层输出特征图一点由输入图像多大块图像计算得到。还介绍了感受野的自后向前和自前向后两种计算方法，最后提供了计算感受野的工具。
一、CNN前向传播特征图尺寸
我们从CNN的前向传播说起。
对于一个CNN而言，若输入特征图尺寸为n_in，卷积核尺寸为k，padding(周围填充0的圈数)为p，步长为s,则输出特征图的尺寸n_out可以表示为：
使用上式，我们可以从前往后，依此计算出多层CNN每一层的特征图尺寸。
二、感受野的概念
此时，我们想知道，对于一个第k层输出的特征图而言，它的其中任意一个值是由输入图像的多大尺寸的像素映射而来的。即第k层输出的特征图的一个点是由CNN输入图像中多大块的图像计算得到的。这就是感受野的概念，感受野越大，说明一个深层特征点使用了输入图像越多的像素信息。
三、感受野的计算
3.1 自后向前法
此时回顾前向传播的过程，我们发现，如果要计算第k层输出特征图的感受野信息，我们只需要假设第k层输出的特征图尺寸为1，然后利用逆运算，就可以逐层向前，推出输入图像的尺寸，这不就是我们需要的感受野吗！！
与此同时，由于padding填0，不影响输入图像的像素信息，我们在计算感受野时，可以直接忽略padding，假设padding为0.我们就可以得到逆运算：
我们由此逐层向前递推直到输入图像，就可以算出第k层输出的特征图的感受野了。
此时，我们已经掌握了计算某一层特征图感受野的方法，即假设其特征图尺寸为1，然后向前不断递推，得到输入层图像的尺寸。
3.2 自前向后法
对于3.1的方法，进一步的，我们写出递推式子：
所以有：
四、计算工具
https://fomoro.com/research/article/receptive-field-calculator
这里提供了计算感受野的小工具，可以直接输入层的设计，计算感受野
扫一扫
439
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
