在生物学领域,感受野,感受器受刺激兴奋时,通过感受器官中的向心神经元将神经冲动(各种感觉信息)传到上位中枢,一个神经元所反应(支配)的刺激区域就叫做神经元的感受野(receptive field)。又译为受纳野。末梢感觉神经元、中继核神经元以及大脑皮层感觉区的神经元都有各自的感受野。随感觉种类不同,感受野的性质、大小也不一致。
在视觉通路上,视网膜上的光感受器(杆体细胞和锥体细胞)通过接受光并将它转换为输出神经信号而来影响许多神经节细胞,外膝状体细胞以及视觉皮层中的神经细胞。反过来,任何一种神经细胞(除起支持和营养作用的神经胶质细胞外)的输出都依赖于视网膜上的许多光感受器。我们称直接或间接影响某一特定神经细胞的光感受器细胞的全体为该特定神经细胞的感受野(receptive field)。
今天,“计算机视觉战队”给大家分享感受野的知识,希望你阅读一遍就牢牢记住该知识点,因为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,甚至之后大家自己设计卷积神经网络,对于感受野的理解必不可少。尤其针对多尺度目标。感受野的作用还是很重要!
我们平台就简单的给大家讲解下这个知识点,也给初学者带来一个对Receptive Field崭新的认识,如果对只是有深入了解的你,就可以直接跳过!
开始讲解
以前我的理解就是,感受野嘛,其实那就是一个视觉感受区域大小。对于单层网络来说,下一层的一个像素点其感受野大小也就是卷积层滤波器的大小,想想其实很明了的就理解了,但对于多层,那就有一点点(也就那么一点点复杂而已)!
正式定义
在神经网络中,感受野的定义是:
卷积神经网络的每一层输出的特征图(Feature ap)上的像素点在原图像上映射的区域大小。
自己随便画了一个例图,主要看内容,O(∩_∩)O谢谢!
链接: http://pan.baidu.com/s/1nvMzrOP 密码: 2ehd
现在就开始来说怎么计算吧!(看点来了)其实很简单!
首先可以简单知道(前面也提及到了),第一层卷积层的输出特征图像素的感受野的大小就等于等于卷积层滤波器的大小;然后其继续进行前向传播,这样的话,后面深层的卷积层感受野大小就和之前所有网络层的滤波器大小和步长有关系了,在计算的时候,忽略图像Padding的大小。网络中的每一个层有一个strides,该strides是之前所有层stride的乘积,即:
查资料知,感受野大小的计算采用从深层到前层的方式计算, 即先计算最深层在前一层上的感受野,然后逐渐反馈到第一层,公式具体记如下:
其中为得的感受野大小,为最后层在前一层的感受野大小,为卷积层滤波器大小。
通过这样反复迭代就可以得到每一层的感受野。具体代码我看网上也有,我就顺便附一下吧,原件请在链接里下载,谢谢!
链接: http://pan.baidu.com/s/1jIHLGJc 密码: ayuc
具体仿真结果我是用Windows版的Python 3.5 (32-bit)运行得到的,具体如下图:
推荐阅读:
关注“计算机视觉战队”公众号,回复文章获取码,即可获得全文链接。
[1] 人脸检测与识别的趋势和分析 【获取码】计算机视觉战队0723
[2] 人脸实践篇 | 基于Caffe的年龄&性别识别 【获取码】计算机视觉战队08
[3] 人脸识别 | 基于深度学习以人类为中心的图像理解 【获取码】计算机视觉战队24
[4] 人脸专集1 | 级联卷积神经网络用于人脸检测(文末福利)【获取码】计算机视觉战队03
[5] 人脸专集2 | 人脸关键点检测汇总(文末有相关文章链接)【获取码】计算机视觉战队23
[6] 人脸专集3 | 人脸关键点检测(下)—文末源码【获取码】计算机视觉战队10
[7] 人脸专集4 | 遮挡、光照等因素的人脸关键点检测【获取码】计算机视觉战队01
[8] 人脸专集5 | 最新的图像质量评价【获取码】计算机视觉战队1021
[9] 加入我们,一起学习深度学习(目标人脸检测识别)【获取码】计算机视觉战队0
如果想加入我们“计算机视觉战队”,请扫二维码加入学习群。计算机视觉战队主要涉及机器学习、深度学习等领域,由来自于各校的硕博研究生组成的团队,主要致力于人脸检测、人脸识别,多目标检测、目标跟踪、图像分割等研究方向。
我们开创一段时间的“计算机视觉协会”知识星球,也得到很多同学的认可,我们定时会推送实践型内容与大家分享,在星球里的同学可以随时提问,随时提需求,我们都会及时给予回复及给出对应的答复。
微信学习讨论群,我们会第一时间在该些群里预告!