CNN中感受野的计算

最新推荐文章于 2023-11-09 10:04:14 发布
最新推荐文章于 2023-11-09 10:04:14 发布
阅读量321 收藏 2
点赞数
分类专栏： faster-rcnn 文章标签： 感受野 cnn感受野计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_24279775/article/details/88185735
版权

在学习物体检测相关的论文中，很多地方提到Anchor的设计，刚开始只是明白特征图到原图的映射原理，但是并没有实际计算过。

这里给出关于CNN中感受野的计算过程。

                                                                {\color{Red} l_{k}=l_{k-1} + ((f_{k}-1) * \prod_{i}^{k-1}s_{i})}

  1. l_{k}是第ｋ层感受野
  2. f_{k}是第ｋ层卷积核尺寸ksize
  3. s_{i}是第ｉ层卷积的步长stride

注：感受野的大小是从前往后推的，从输入图像到输出图像的顺序计算

以下是例子：

计算过程：

l_{1}=f_{1} = 3

l_{2} = l_{1} + ((f_{2}-1)*s_{1}) = 3 + (3-1)*2=7

l_{3} = l_{2} + ((f_{3}-1)*\prod_{i}^{2}) = 7+((3-1)*(2*1)) = 11

l_{4} = l_{3} + ((f_{4}-1)*\prod_{i}^{3}) = 11 + ((4-1)*(2*1*2)) = 23

注：第一层的感受野和第一层的卷积核尺寸相同。

计算卷积核网址：Fomoro AI

 

 

ypp1
关注
专栏目录
CNN感受野计算
Eric_Blog_CSDN的博客
09-03 472
笔试过程中遇到了感受野计算的问题，赶快把不牢固的知识复习一下。 1 感受野的概念 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。 2 感受野大小的计算  感受野计算时有下面的几个情况需要说明： （1）第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小 （2）深层卷积层的感受野大小和它之前所有层的滤...
cnn中感受野的计算
hzhj的博客
04-09 905
    medium上的这篇文章A guide to receptive field arithmetic for Convolutional Neural Networks是目前关于感受野计算最详细的文章，其翻译详见文章卷积神经网络中的感受野计算(译)和关于卷积神经网络(CNN)中的感受野，你知道多少？    感受野（receive field）是指当前feature map中的一个原子点P与输...
关于CNN中感受野的理解和计算方法
Blateyang的博客
09-13 1749
1.感受野的理解 CNN中的感受野是CNN中的一个很重要的概念，关于其解释网上有许多版本，如 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). 在卷积神经网络中，感受野的定义是 ...
CNN网络中的感受野计算
Qi__Xi的博客
10-27 1588
在CNN网络中，一张图经过核为3 x 3，步长为2的卷积层，ReLU激活函数层，BN层，以及一个步长为2，核为2 x 2的池化层后，再经过一个3 x 3的的卷积层，步长为1，此时的感受野是？
CNN计算感受野
Kun Wang's 博客
03-12 431
http://shawnleezx.github.io/blog/2017/02/11/calculating-receptive-field-of-cnn/ 1、只和三个部分有关：前一层的感受野、当前层kernel size、累计stride乘积(不包含当前层） 2、当前层的stride 步长只影响下一层。 ...
CNN感受野的计算
_QMR_
03-02 646
CNN感受野
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...
52.CNN感受野计算 - 喵喵帕斯 - 博客园1
08-03
**例2：感受野计算** 假设有一个简单的网络结构，其中两个连续的层都有步长s=2和过滤器大小k=3，没有填充p=0。第一层（layer1）对输入层（layer0），感受野是 `(1-1) * 2 + 3 = 3`。第二层（layer2）对输入层的感受...
CNN中感受野大小的计算
xuefengxiaoyang的博客
07-06 1714
摘要： 在分析CNN网络时，通常会考虑到网络的感受野，感受野是指特征图上一个像素点代表原图的多大区域像素点，一般网络感受野越大，提取到的特征就更高维，网络性能也越好。其实CNN中的池化层，或者说下采样层就是为了提高网络的感受野，提高网络的感受野的代价就是会丢弃部分信息。空洞卷积就是为了解决这个问题而提出的，此处不作介绍，想了解的可以看看DeepLab系列论文，本文主要介绍感受野如何计算。 感受...
CNN中的感受野
08-10 4295
CNN中有一个概念叫局部感受野（local receptive field），那什么是感受野呢？一般的CNN结构都是卷积-池化这样重复下去，比如下表： layers size stride input 100*100*1 --- conv1 3*3 1 pool1 2*2 2 conv...
cnn感受野计算方法
最新发布
cuisidong1997的博客
11-09 201
out7是第7层输出相对于第7层输入也就是第6层输出的感受野，out6是第7层输出相对于第6层输入也就是第5层输出的感受野，以此类推，out1是第7层输出相对于第1层输入也就是第0层输出的感受野，也就是相对于input_image的感受野。rfsize = f(out, stride, ksize) = (out - 1) * stride + ksize，其中out是指上一层感受野的大小，stride是当前层stride。最后一层可带也可不带入公式，它的out是前一层的ksize。
CNN感受野的概念与计算详解
weixin_40321858的博客
07-14 503
一、CNN前向传播特征图尺寸 我们从CNN的前向传播说起。 对于一个CNN而言，若输入特征图尺寸为n_in，卷积核尺寸为k，padding(周围填充0的圈数)为p，步长为s,则输出特征图的尺寸n_out可以表示为： 使用上式，我们可以从前往后，依此计算出多层CNN每一层的特征图尺寸。 二、感受野的概念 此时，我们想知道，对于一个第k层输出的特征图而言，它的其中任意一个值是由输入图像的...
CNN中感受野
独钓寒江雪
09-27 280
Receptive field(感受野) -- 简书 https://www.baidu.com/link?url=9zupcdARKB_8BxdqYjdOgI8lNvUHHfvUFibYBqbbRaaYo-tKdPWFJGwRfOgjXxLD&wd=&eqid=a3194f1a001cba5c000000065bac7503 云社区： https://www.baidu.c...
计算CNN感受野
源代码杀手的博客
09-03 241
AlexNet的结构图： 感受野是检测和分割任务中比较重要的指标，它是一个逐层叠加的过程，计算到最后一层的卷积特征图输出上，它的计算公式是： 其中 R F 0 RF_{0} RF0​默认是输入层，感受野为1。所以AlexNet的感受野计算为： 第一层，卷积： R F 1 = 1 + ( 11 − 1 ) × 4 = 41 RF_{1}=1+(11-1)\times 4=41 RF1​=1+(11−1)×4=41 第二层，池化： R F 2 = 41 + ( 3 − 1 ) × 2 = 45 RF_{2}=
深度理解CNN中的感受野（大杀器）
Rolandxxx的博客
10-11 7411
感受野是理解深度卷积神经网络的大杀器，上图中的各向同性是指距离感受野中心相等的位置重要程度是一致的。从上图中可以发现激活值（上图的红色节点）的感受野中心的节点（上图绿色的节点的中间位置的节点）是对激活值起到最关键的影响（因为参与到激活值计算的次数最多，有37次）。
神经网络感受野计算工具：fc_thereforenpo功能介绍
这表明存在一个可用资源或框架，可以用来进行神经网络的感受野计算，为深度学习社区提供了便利。 综上所述，感受野的计算在神经网络设计与分析中占据了重要的地位。它帮助研究者和工程师理解网络如何从数据中提取...
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