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

最新推荐文章于 2024-07-29 23:06:07 发布

Vincent_gc

最新推荐文章于 2024-07-29 23:06:07 发布

阅读量1.5w

点赞数 7

分类专栏： Deep learning

本文链接：https://blog.csdn.net/a529975125/article/details/80888463

版权

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 =</

关注

专栏目录