CNN网络中的感受野计算

在CNN网络中，一张图经过核为3 x 3，步长为2的卷积层，ReLU激活函数层，BN层，以及一个步长为2，核为2 x 2的池化层后，再经过一个3 x 3的的卷积层，步长为1，此时的感受野是？

感受野（Receptive Field）的定义：卷积神经网络每一层输出的特征图（feature map）上的像素点映射回输入图像上的区域大小。通俗点的解释是，特征图上一点，相对于原图的大小，也是卷积神经网络特征所能看到输入图像的区域。

1、感受野大小的计算方式是从最后一层 feature map 开始，往下往上的计算方法，即先计算最深层在前一层上的感受野，然后以此类推逐层传递到第一层；

2、感受野大小的计算不考虑padding的大小；

3、最后一层的特征图感受野的大小等于其卷积核的大小；

4、第 $i$ 层特征图的感受野大小和第 $i$ 层的卷积核大小和步长有关系，同时也与第 $i+1$ 层特征图的感受野大小有关。

感受野的计算公式：

其中，$RF$_i 表示 $i$ 层感受野大小，$i$ 表示当前特征层的层数，$stride$ 是卷积的步长，$K$_size 是当前层卷积核的大小。

• 第二个3 x 3卷积层，$stride$ =1：（1 - 1）x 1 + 3 = 3

• 第一个2 x 2池化层，$stride$ =2：（3 - 1）x 2 + 2 = 6

• 第一个3 x 3卷积层，$stride$ =2：（6 - 1）x 2 + 3 = 13

因此，此时的感受野是13。