CNN感受视野(receptive field)计算方法（ROI如何对应到feature map）：宽度计算和坐标转换

feature map: 首先，介绍下什么是CNN的feature map，我觉得叫特征映射最合适，如图为AlexNet的结构图，输入的是一个224*224*3的RGB图像，通过卷积层和池化层进行特征提取，后面的图层在全连接层之前都是3维的图层，并且是多层的2维图，例如feature map1的维度为55*55*96，即96个55*55的二维图，每一个２维图对应一个卷积核滤波操作后得到的特征映射，即不同的卷积核滤波后可以提取到不同的特征，换言之就是将图像的不同特征通过卷积滤波映射到不同的图层，故称之为feature map(特征映射)。

感受视野（receptive field）：CNN中，某一输出层feature map中一个元素点（这里我们还是称之为像素点）对应的输入层区域的大小，被称作感受视野（receptive field）。例如，feature map2的一个像素点对应feature map1的一个5*5像素区域，其坐标取决于卷积核滤波的坐标位置。

卷积层\池化层感受视野大小：

卷积层\池化层输出的feature map的一个像素对应的输入层的感受视野大小等于滤波器的大小。那么多个像素点对应的输入层感受视野大小呢？我下面来推导一下：

感受视野大小必然有kernel size(ks, 卷积核大小)、stride（str，步长）、padding(pad，全零填充，保持原有尺寸)、output size(ops，输出像素点尺寸（二维）)和input size(ips，输入像素点尺寸（二维），也就是感受视野尺寸)，我们首先推导出卷积的输入尺寸（感受视野大小）和输出尺寸间的关系如下：

(1)

反过来可以推导出和关系：

（2）

注意这里是单层卷积\池化层的输入输出关系。

这里给出alexnet的感受视野表（各个网络层对应的原始输入图片的感受视野），我们通过对符号加下标层号的方式来表示第几层，例如第3层Conv2的表示为，我们现在利用之前公式（1）推导Conv2在原始图像的感受视野宽度，这里特指Conv2的一个像素点对应最初RGB图像输入像素点宽度（卷积核长宽相同，这里只以宽度为例，其实是一样的）：

Conv2层（即Conv2卷积后输出的特征图）在Pooling1层的感受视野宽度为：

Conv2层在Conv1层的感受视野宽度为：

Conv2层在输入图像的感受视野宽度为：

其他层同样可用类似方法计算。

下面推导出一种更简单的递推计算感受视野（这里特指对输入图像的感受视野）的公式，设第层的感受视野是,显然

接着我们推导，同样其视野宽为一个kernel所有像素点视野宽的并集，kernel滤波的第一个像素点对应的视野宽度为，从第二个点开始额外增加的视野宽，取决于第一层的步长，从第二个点开始每个点都会将视野拓宽，故可以得到

接着我们推导，同样其视野宽为一个kernel所有像素点视野宽的并集且kernel滤波的第一个像素点对应的视野宽度为，从第二个点开始由于第二层步长为，其在第二层的视野拓宽了，而由于第二层每一个点都会在第一层拓宽，故从第二个点开始每个点都会将视野拓宽，故可以得到

显然根据递推关系，我们可以得到和间的递推关系（注意这里要满足卷积核宽度大于步长，当然这通常是满足的）：

（3）

输入层1，可以看作卷积核为1，步长为1，同样满足此公式，我们可以马上通过AlexNet表验证下前三层：

坐标转换：

这里坐标的定义以图的左上角为（0，0）点，向右向下均为正像素点个数-1，设层坐标像素的坐标点为，注意对于视野区域这里的坐标是指其中心点坐标，那么我们容易得到相邻层坐标的关系：

(4)

注意这里的padding是指左边和上边的零点个数，举个例子，一个的原图，用的卷积核滤波，则生成的特征图，若，可以反推出：

公式（1）（2）（3）（4）是经常用到的，希望做CNN相关的小伙伴们能熟记于心，不但编程需要，面试的时候也经常问哦(●'◡'●)。