【深度学习】感受野(receptive fields)概念计算及如何增加感受野总结

本文总结了深度学习中感受野的概念,计算方法以及如何增加感受野以提高模型性能。通过增加层数、增大 strides 和卷积核大小等方法可增大感受野,但可能引发精度损失或梯度消失问题。在CPM模型中,作者通过多阶段训练和中间层监督解决梯度消失,使用增加卷积层数目来扩大感受野。
摘要由CSDN通过智能技术生成

在深度学习论文里,经常会看到感受野(receptive fields), 根据自己看到的和网上资料稍微整理总结一下。

感受野的定义

感受野是卷积神经网络(CNN)每一层输出的特征图(feature map)上的像素点在原始输入图像上映射的区域大小[1]
这里写图片描述

感受野的计算

感受野的计算从最深层开始向浅层计算,逐步计算到第一层(即上图的蓝色层开始向红色层传递计算),所以计算前要知道网络的整体结构和参数。
计算公式:

'''
RF: 待计算的feature map上的感受野大小
stride: 卷积的步长(之前所有层stride的乘积)
fsize: 卷积层滤波器的大小
'''
RF = 1
for layer in (high layer To low layer):
  RF =</
  • 7
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
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
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