对感受野的一些个人理解(二)

最新推荐文章于 2021-09-28 13:30:08 发布
最新推荐文章于 2021-09-28 13:30:08 发布
阅读量543 收藏 1
点赞数 1
分类专栏： 深度学习 文章标签： 深度学习  CNN 感受野
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dulicui/article/details/83782987
版权

上一节中是逆向推导某一层的感受野大小，本节来正向推导，并给出两种方式下感受野的计算公式。

r{_{n}}：表示第n层的感受野；

k{_{n}}：表示第n层的卷积核大小；

s{_{n}}：表示第n层的卷积步长；

正向公式：

r{_{n}} = r{_{n-1}} + (k{_{n}} - 1) \times \prod_{i=1}^{n-1}s{_{i}}

逆向公式：

r{_{n}} = (r{_{n+1}} - 1) \times s{_{n}} + k{_{n}}

 

正向推导过程如下图：

 

 

 

 

 

 

HuHu & HeHe
关注
专栏目录
感受野、下采样相关
勤学如春起之苗，不见其增，日有所长
12-29 1328
关于感受野： “One of the basic concepts in deep CNNs is the receptive field, or field of view, of a unit in a certain layer in the network. Unlike in fully connected networks, where the value of each unit ...
对Dilated Convolution理解
Microstrong
07-12 4980
本文主要对论文《Multi-Scale Context Aggregation by Dilated Convolutions》进行总结。论文地址：https://arxiv.org/abs/1511.07122源码地址：https://github.com/fyu/dilation摘要针对图像语义分割中像素点级别的密集预测分类，提出了一种新的卷积网络模块。通过扩张（空洞）卷积进行多尺度上下文信息...
关于感受野的总结
08-13
感受野是卷积神经网络里面最重要的概念之一，为了更好地理解卷积神经网络结构，甚至自己设计卷积神经网络，对于感受野的理解是必备的。
（转）感受野(receptive field)
weixin_34413802的博客
07-03 111
感受野定义了feature map上的一个点来自于原图的范围。 规则1: stride的计算，某一层的stride等于之前所有层的stride的连乘积。 规则2: 某一层感受野的计算，某一层的感受野指的是这一层的输出feature map上的一个点来自于原图的范围。某一层的感受野等于（前一层的感受野+（kernel_size-1）*前一层的stride）。 For instance：2X2的...
感受野的理解
stoooo的博客
03-20 469
感受野的理解 今天看何恺明的faster rcnn的论文中说“由于卷积层输出的特征图感受野比较大，所以采用3X3的sliding window” 感受野的定义 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小 感受野的计算 对于CNN，可以采用从深层到浅层逐层计算的方法 对于一个nnn层网络，考虑它的第iii层(i=1,...,ni=...
对感受野的理解
新手村打蘑菇
05-07 217
参考: 关于感受野的总结. 【如有错误请多多指教】 Raw image：一个单元“看到”1个元素，感受野为1 Conv 1： ksize=3,stride=2 一个单元可以“看到”Raw image中的 3×3个元素，可以说Conv1感受野为3 Conv 2： ksize=2,stride=1 一个单元可以“看到”Raw image中的 5×5个元素，可以说Conv2的感受野为5 感受野的计算 ...
感受野简单理解
sinat_40587853的博客
09-28 282
学习深度学习的时候经常看到一个概念[感受野]，下面介绍一下简单的理解。 感受野可以理解为，特征图上的点还原到输入的图上的范围。 下图的感受野，逐渐变小，感受野大的的适合检测大目标，感受野小的适合检测小目标。 更简单的理解，三个图中的网格大小代表的就是感受野的大小，输入图像没变，特征图的深度变了，感受野变了。 图来自:YOLO系列解析 ...
深度学习：感受野、卷积，反池化，反卷积，卷积可解释性，CAM ,G_CAM,为什么使用CNN替代RNN?
weixin_41108334的博客
10-16 1万+
凭什么相信你，我的CNN模型？（篇一：CAM和Grad-CAM)：https://www.jianshu.com/p/1d7b5c4ecb93 凭什么相信你，我的CNN模型？（篇二：万金油LIME)：http://bindog.github.io/blog/2018/02/11/model-explanation-2/ 卷积和反卷积 ：https://blog.csdn.net/Fate_fj...
2020春二年级语文下册课文517要是你在野外迷了路教学反思参考2新人教版
09-09
例如，将口头反馈与书面表达相结合，让学生在课堂上简单表述自己的理解和感受，然后在课后用更简单、更直观的形式，如选择题，来记录和评估他们的学习成果。这不仅可以降低评价活动的难度，还能更好地适应低年级学生...
深度学习中 Embedding层两大作用的个人理解
weixin_42078618的博客
10-10 4万+
前一个月接触到一个概念，Embedding层。今天跟大家分享一下个人心得。   首先，我们有一个one-hot编码的概念。   假设，我们中文，一共只有10个字。。。只是假设啊，那么我们用0-9就可以表示完 比如，这十个字就是“我从哪里来，要到何处去” 其分别对应“0-9”，如下： 我  从  哪  里  来  要  到  何  处  去 0    1    2    3   4 ...
感受野的计算与理解（一看就会）
01-06
Q1：感受野指什么？ A1：（1）从局部理解：（上层->本层）感受野等价与卷积核尺寸。           （2）从全局理解：指输出特征层中一个点映射在原始输入图像中的区域。            Tips：通常感受野指全局理解。 Q2：如何计算一个点映射在原始图像中的区域大小？  A2：（1）常规卷积核           首先需要理解输出feature map大小的计算：其中P = padding, K = kernel_size, S = stride,                          自顶向下计算：从输出层反向推导一个点对应输入层的feature map      
“感受野”的直观理解
积累 沉淀 博学 广思
12-17 1665
感受野 定义 公式 定义 衡量某一层的特征图中某个像素点对应到原始输入的响应的大小区域； （另外一种定义） 卷积神经网络每一层的输出特征图上的像素点在原始图像上映射的区域大小 【直观理解】就是当前的每个像素点对应于原来图片的区域 这里的第三层中的1个像素点对于原来图片中的11*11的像素阵列大小 公式 根据  可推算出公式为： 以上公式可以计算出上一层的...
关于感受野的理解与计算
like_study_cat的博客
01-07 283
关于感受野的理解与计算 感受野 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上每个像素点在原始图像上映射的区域大小，这里的原始图像是指网络的输入图像，是经过预处理（如resize，warp，crop）后的图像。 神经元之所以无法对原始图像的所有信息进行感知，是因为在卷积神经网络中普遍使用卷积层和pooling层，在层与层...
学习笔记（25):深度学习框架-PyTorch实战-感受野的作用
qq_36485079的博客
07-22 292
购买课程后，添加小助手微信（微信号：csdnxy68）回复【唐宇迪】 进入学习群，获取唐宇迪老师答疑 深度学习框架-PyTorch实战课程旨在帮助同学们快速掌握PyTorch框架核心模块使用方法与项目应用实例，让同学们熟练使用PyTorch框架进行项目开发。课程内容全部以实战为导向，基于当下计算机视觉与自然语言处理中经典项目进...
感受野大小对提取特征的影响
u012811785的博客
09-07 6589
1.感受野大于要提取的特征区域（比如物体） 会忽略被检测的物体，导致物体成为背景，提取不到物体特征。也就是说对小物体的检测会差一点。 2.感受野小于要提取的特征区域（比如物体） 获得的局部信息过多，导致全局信息的丢失，影响识别率。 3.网络深度越深，卷积的过程中会丢失信息，所以一般选取大的感受野来保证不丢失过多信息。 当然，对于一些小物体检测长几个可能效果不一定好。 不同大小的卷积核获得不同大小的信息，选取合适的感受野大小比较重要，或者考虑多尺度的感受野，可能会减少1和2这种弊端。 ...
感受野
weixin_41043240的博客
05-16 1050
感受野：在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野receptive field。 注意：这里的输入层并不一定是原始图像，可能对原始图像进行了填充。 如上图所示，第一次卷积，卷积核大小（kernel size）k=3*3，填充大小（padding size）p=1*1，步长（stride）s=2*2，（如图左上）对5*5的输入特征图进行卷积生...
卷积神经网络中感受野的详细介绍
热门推荐
Microstrong
07-08 12万+
1. 感受野的概念在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如图1所示。图1：用图形理解感受野概念2. 感受野的例子（1）两层3*3的卷积核卷积操作之后的感受野是5*5，其中卷积核（filter）的步长（stride）为1、pa...
GGNN与GCN图神经网络理解及应用解析
"这篇文档包含了对GGNN (Graph Grammar Networks) 和GCN (Graph Convolutional Networks) 的论文笔记，作者分享了对这两种图神经网络的理解和个人见解。笔记主要分为两个部分，第一部分介绍了GGNN的基本应用，第二...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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