计算机视觉基础知识(二)-感受野

计算机视觉基础知识归纳(二) —感受野

感受野的重要意义

• 深度神经网络的基本概念之一
• 很大程度上决定了网络的性能
• 视觉应用（分类，检测，分割，等）都需要利用感受野进行理解
• 促使我们进行创新的源泉

CNN感受野的定义与性质

定义：深度神经网络中，每个神经元节点都对应输入图像的某个确定区域，仅在该区域的图像内容能够对相应的神经元的激活产生影响，那么这个区域就是神经元的感受野

性质：

• 越靠近感受野中心区域越重要
• 各向同性（距离感受野中心距离相等的位置，其重要性是一致的）
• 由中心向周围衰减的速度可以由网络结构控制

感受野如何计算

• 影响感受野的因素

  能改变感受野的操作：卷积层，反卷积，池化层，残差连接，合并连接

  不能改变感受野的操作：非线性层，正则化层（BN,GN）

• 感受野的计算 每一层根据卷积核与步长进行计算

• 感受野中心的计算 先计算左上角的位置，随后通过推导公式推算出其他位置的感受野中心位置

有效感受野

• 有效感受野的概念

  ​ 1.感受野中的每个位置都对神经元激活产生影响，并不是所有的贡献都是一样的，我们把贡献大的 位置称之为有效感受野

  ​ 2.有效感受野是神经网络内在的属性，当网络结构稳定，有效感受野的相关属性也就稳定了

  ​ 3.感受野大小相等的情况下，网络结构不同，有效的感受野的特性就不同

• 有效感受野的计算 参考相应文献

• 有效感受野为什么重要

  ​ 1.通过感受野我们可以知道神经网络关注的重点在哪里，找到问题的核心

  ​ 2.指导任务（分类，检测，分割网络的设计）有多深

  ​ 3.进一步探索网络的可解释

感受野如何影响分类网络

分类网络中Resnet是一个重要的里程碑

1.解决了深度网络反向更新的时候梯度消失的问题

2.增强了特征图的表征能力 融合了不同感受野尺度的特征图

分类网络的深度是便于有效感受野可以覆盖全图，这样子特征表达是最好的

所以往往图像中间的分类可以得到比较好的效果

这也是为什么分类中有一个trick，就是可以随机裁剪区域中的子图像来便于后续的处理

结论

• 结构类似的情况下，感受野越大，性能越好
• 感受野并不是完全决定性能，这个与有效感受野有关（提升结构的优越性，比单纯增加感受野更有效）