以下图为例:
对于其中的左上图,输入图像为 5×5 的矩阵(蓝色网格)。然后使用 p=1 的零填充(即在输入图像周围添加一圈透明网格)以在卷积过程中保留边缘信息。之后,使用步幅 s=2 的 3×3 卷积核在该图像上进行卷积,得到大小为 3×3 的特征图(绿色网格)。在这个例子中,会得到 9 个特征,每个特征都有大小为 3×3 的感受野(淡蓝色覆盖的矩形区域)。我们可以在这个绿色网格上使用同样的卷积来得到更深度的特征图(橙色网格),如左下图所示。对于橙色的特征图,每个特征具有 7×7 的感受野。
总结得出感受野的计算公式:
假设上一层感受野的大小为out,当前kernel的size与stride分别是ksize与kstride,则该层感受野大小为rfsize = f(out, stride, ksize) = (out - 1) * kstride + ksize。
假设上一层feature map大小为N,该层卷积kernel的size与stride分别是ksize与kstride,padding为p,因此当前输出feature map的大小为M=(N-ksize+2p)/kstride+1。