卷积操作，特征图尺寸大小、感受野、参数量的计算过程

1、卷积操作后输出特征图的尺寸大小

• 如下图所示，卷积核在输入图像进行滑动操作，每滑动一次，计算一次，获取一个值，该值为卷积核提取的当前区域的特征值。
• 在水平方向上，从左侧开始滑动，滑动的距离为（Input_s - Filter_s），设滑动步长为Stride，那么滑动的次数为 （Input_s - Filter_s） / Stride
• 未滑动之前，卷积核已经在蓝色位置提取了一个值
• 所以，在水平方向上的获得的特征图尺寸为 （Input_s - Filter_s）/ Stride + 1
• 因此下图卷积操作后的输出特征图的尺寸为 （7 - 3）/ 1 + 1 = 5

由上所述，输出特征图尺寸大小Output_s计算公式为：Output_s = （Input_s - Filter_s）/ Stride + 1

注：有padding时，即滑动距离（Input_s - Filter_s）变成了（Input_s - Filter_s + padding）
那么，输出特征图尺寸大小计算公式变为：Output_s =（Input_s - Filter_s + padding）/ Stride + 1

2、感受野计算

感受野的计算，其实是上述特征图尺寸计算反过来，求解特征图尺寸大小为1X1的时候，输入的特征图的大小，根据上面特征图的计算反推过来：Input_s = （Output_s - 1）x Stride + Filter_s。下图为同义不同名的计算过程。此图链接

3、空洞卷积的感受野、输出特征图大小的计算

参考链接这个链接里，尺寸乘了2，个人认为是错的，k-1是表示size为k的核中间有几个可插入的位置，rate-1表示要插入的0的个数，所以总共要插入（rate - 1）* (k-1) 个0，加上卷积核本身的尺寸，就获得了一层感受野的大小
感受野计算公式

感受野尺寸=（rate-1）*（k-1）+k #k是kernel size

输出特征图的大小：

Output=(W-F+2P)/S+1 #w是上层feature的size，F是kernel size，S是stride

这里普通卷积跟空洞卷积的feature size计算公式都是一样，计算时只需要把空洞卷积的F替换成其感受野（即换成普通卷积的kernel size）。

4、参数量计算

通过上述的感受野计算可知，一个7X7的卷积和的感受野，与堆叠的3x3的卷积核感受野相同，他们的参数量分别如下所示，可见堆叠的3x3卷积在保证感受野不变的情况下，减少了参数量。

参考文献：

• 卷积池化操作输出的尺寸大小
• VGG网络详解及感受野计算，B站讲解视频