如何计算感受野(Receptive Field)

最新推荐文章于 2024-07-29 23:06:07 发布
最新推荐文章于 2024-07-29 23:06:07 发布
阅读量301 收藏
点赞数 2
分类专栏： 计算机视觉（CV方向） 文章标签： 深度学习 感受野 计算机视觉
原文链接：https://zhuanlan.zhihu.com/p/28492837
版权

深度神经网络中的感受野(Receptive Field)

本文转载自知乎：深度神经网络中的感受野(Receptive Field) - 蓝木达的文章 - 知乎

在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和pooling层，在层与层之间均为局部相连（通过sliding filter）。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着他可能蕴含更为全局、语义层次更高的特征；而值越小则表示其所包含的特征越趋向于局部和细节。因此感受野的值可以大致用来判断每一层的抽象层次。

那么这个感受野要如何计算呢？我们先看下面这个例子。

在这里插入图片描述

可以看到在Conv1中的每一个单元所能看到的原始图像范围是3*3，而由于Conv2的每个单元都是由 2×2 范围的Conv1构成，因此回溯到原始图像，其实是能够看到 5×5 的原始图像范围的。因此我们说Conv1的感受野是3，Conv2的感受野是5. 输入图像的每个单元的感受野被定义为1，这应该很好理解，因为每个像素只能看到自己。

通过上图这种图示的方式我们可以“目测”出每一层的感受野是多大，但对于层数过多、过于复杂的网络结构来说，用这种办法可能就不够聪明了。因此我们希望能够归纳出这其中的规律，并用公式来描述，这样就可以对任意复杂的网络结构计算其每一层的感受野了。那么我们下面看看这其中的规律为何。

由于图像是二维的，具有空间信息，因此感受野的实质其实也是一个二维区域。但业界通常将感受野定义为一个正方形区域，因此也就使用边长来描述其大小了。在接下来的讨论中，本文也只考虑宽度一个方向。

接下来我们使用一种并不常见的方式来展示CNN的层与层之间的关系：

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Sylvan Ding
关注
专栏目录
神经网络感受野（receptive field）推到分析与计算（总结）
科研学习笔记！
06-15 1524
经典目标检测和最新目标跟踪都用到了RPN(region proposal network)，锚框(anchor)是RPN的基础，感受野(receptive field, RF)是anchor的基础。 在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 例如1：原始图像为 5 x 5 ，卷积核（Kernel Size）为 3 x 3 ，padding 为 1 ，stride为 2 ，依照此卷积规则，连续做两次卷积。熟悉卷积过程的
细说卷积神经网络（CNN）中所谓的“感受野”（Receptive Field）
热门推荐
NorthSmile的博客
09-08 1万+
1）输入结果感受野一致的前提下，使用连续的小卷积核替换单个大卷积核，第一可以有效降低网络训练的参数量，第二可以增加网络深度，第三可以引入更丰富的非线性变换，使得网络可以拟合更多的可能性，更好地缓解过拟合；输入（C，7,7），对于最终的输出其感受野为（7,7），假设每个卷积层的输出通道数均为C，我们看一下各自的参数量：（1）使用连续的3个（3,3）卷积，其参数量为：（3×3×C）×C×3=27×C×C（2）使用一个（7,7）卷积，其参数量为：(7×7×C)×C=49×C×C。
感受野计算公式
qq_33289694的博客
12-18 2966
感受野计算公式 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区域的大小。 计算公式 lk=lk−1+[(fk−1)∗∏i=1k−1si] l_{k}= l_{k-1} + \left [ \left ( f_{k} -1 \right ) * \prod_{i=1}^{k-1} s_{i}\right ] lk​=lk−1​+[(fk​−1)∗i=1∏...
感受野的计算
ab0902cd的博客
11-21 493
感受野的计算 感受野（Receptive Field），指的是神经网络中神经元“看到的”输入区域，在卷积神经网络中，feature map上某个元素的计算受输入图像上某个区域的影响，这个区域即该元素的感受野。 卷积神经网络中，越深层的神经元看到的输入区域越大，如下图所示，kernel size 均为3×33×3，stride均为1，绿色标记的是Layer2Layer2每个神经元看到的区域，黄色标记的是Layer3Layer3看到的区域，具体地，Layer2Layer2每个神经元可看到Layer1La..
感受野计算
beizhengren的博客
05-28 373
https://blog.csdn.net/WL2002200/article/details/52814773 对于卷积层和池化层，有如下推导式。 感受野 记第i层的kernel/stride/pad为 ki,si,pi ,感受野为ri ri=si(ri+1−1)+ki 尺寸 记第i层的kernel/stride/pad为 ki,si,pi ,宽为wi wi+1=wi−ki+2pi...
CNN中感受野Receptive Field的计算
随风秀舞（diyoosjtu）
05-17 764
1. 感受野 The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at (i.e. be affected by). 感受野是在输入空间内，CNN提取的特征的来源区域的大小。 感受野可以用其中心位置和尺寸来描述。 在一个感受野内，越靠近中...
感受野（Receptive Field）
yleave的博客
12-28 801
  感受野用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。   神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和池化层，在层与层之间均为局部相连（通过 sliding filter ）。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着他可能蕴含更为全局、语义层次更高的特征；而值越小则表示其所包含的特征越趋向于局部和细节。因此感受野的值...
receptive field，即感受野
coder
08-21 2576
在阅读论文的时候，总是会出现receptive field这个词语，一直想不明白，难道这个是当前层对之前层的映射的意思，后来上网查看了一下，发现并不完全是这样理解。 这篇博客主要参考的是下面两个博主的博客： 第一篇：https://www.jianshu.com/p/2b968e7a1715 第二篇：https://blog.csdn.net/kuaitoukid/article/detai...
深度学习：如何计算感受野
最新发布
小白的博客
07-29 1003
8×88×8。
深度学习——深度学习中感受野的计算
知来者逆的博客
07-04 1590
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，在层与层之间均为局部连接。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着它可能蕴含更为全局，语义层次更高的特征；
关于感受野的计算
SpiritedAway
03-31 489
介绍感受野的计算
神经网络感受野计算工具：fc_thereforenpo功能介绍
神经网络的感受野（Receptive Field）是指网络中某个特定层次的神经元能够响应的输入图像的区域大小。这一概念在理解深度神经网络如何处理图像数据中起着至关重要的作用。了解感受野的大小可以帮助我们深入洞察网络...
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