【机器学习】感受野

一、感受野是什么

参考资料：https://www.cnblogs.com/shine-lee/p/12069176.html

---

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：

由此可以理解为什么说两层3*3卷积相当于一层5*5卷积。

---

二、有效感受野
参考资料：https://www.bilibili.com/video/BV1Vy4y1v7Wt

---

三如何计算感受野

参考资料：

1. https://blog.csdn.net/u012862372/article/details/81045593?spm=1001.2014.3001.5502
2. https://zhuanlan.zhihu.com/p/40267131

---

感受野的计算公式如下：
其中 $l_{k-1}$为第$k-1$ 层对应的感受野大小， $f_k$ 为第$k$层的卷积核大小，或者是池化层的池化尺寸大小。

需要注意的是：

1. $l_1$的计算：一般约定$l_0=1，s_0=1。$
2. 步长那里是连乘符号，不要看成连加了。

例子见参考资料。

最后，有个网站可以帮助我们计算感受野：
https://fomoro.com/research/article/receptive-field-calculator#3,1,1,VALID;2,2,1,VALID;3,1,1,VALID;2,2,1,VALID;3,1,1,VALID;3,1,1,VALID;2,2,1,VALID

---

三、感受野的应用

参考资料：https://zhuanlan.zhihu.com/p/40267131

---

感受野在目标检测中的应用：

放置anchor层的特征感受野应该跟anchor大小相匹配，感受野比anchor大太多不好，小太多也不好。如果感受野比anchor小很多，就好比只给你一只脚，让你说出这是什么鸟一样。如果感受野比anchor大很多，则好比给你一张世界地图，让你指出故宫在哪儿一样。

四、后续

感觉感受野似乎是挺重要的一个知识点，以后有时间得再深耕一下。