Receptive field 感受野 原理+计算+图解+空洞卷积hole

本文详细探讨了卷积神经网络中感受野的概念,通过实例展示了不同配置下感受野的计算与可视化,强调了感受野在CNN设计中的重要性。通过固定大小的CNN特征图可视化,阐述了如何计算感受野大小并分析其增长速度,为理解深层神经网络的特征提取提供了深入见解。
摘要由CSDN通过智能技术生成

  • 一般认为,人类的对外界的感知都是从局部到全局的,而对于图像来说,也是局部的像素在空间上的联系较为紧密(比如离得近的像素可能具有相同的颜色纹理),距离较远的像素相关性较弱。

  • 因而,每个神经元没有必要对全局进行感知,只需要对局部进行感知,然后在高层将这些局部信息组合起来,就得到了全局信息。

  • 所以说,局部感知野就是指卷积层的神经元只和上一层的feature map局部相联系。

The fixed-sized CNN feature map visualization

每个维度输出feature map的数量可以用下列公式计算:

——> the number of output features in each dimension:

title

Example

为了简化,下图假设CNN结构是对称的正方形。所以两个维度对于所有的变量都有相同的值,如果CNN结构或者输入图片不对称,可以分开计算feature map的属性。

1、一般可视化CNN feature map

卷积(kernel_size k=3x3,padding_size p=1x1, stride s=2x2)

  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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