【学习笔记】CNN感受野

最新推荐文章于 2023-11-07 10:11:43 发布
最新推荐文章于 2023-11-07 10:11:43 发布
阅读量188 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习 pytorch
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_35872942/article/details/109893356
版权

在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野（receptive field）。通俗的解释是，输出feature map上的一个单元对应输入层上的区域大小。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
3个33大小的卷积等于1个77大小的卷积核
目的是为了节省计算的参数
在这里插入图片描述
C * C表示输入通道数*卷积核的个数

CV小白进阶路
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CNN中的感受野
08-10 4243
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...
对CNN感受野一些理解
热门推荐
fangfang的专栏
11-21 5万+
       感受野（receptive field）被称作是CNN中最重要的概念之一。为什么要研究感受野呐？主要是因为在学习SSD，Faster RCNN框架时，其中prior box和Anchor box的设计，一直搞不明白。当我理解了感受野才有点恍然大悟的感觉。快速看完这篇文章的前提是，要对CNN有个大致了解，feature map等术语要知道。        先看八股式定义，感受野：在卷...
CNN感受野
seasonsyy的博客
09-12 48
简要介绍CNN感受野，以及感受野的计算
学习笔记CNN实战代码
03-19
【标题】"学习笔记CNN实战代码"涉及到的核心知识点主要集中在卷积神经网络（Convolutional Neural Networks，简称CNN）的应用上，这是一种深度学习领域的重要模型，尤其在图像识别与处理中展现出强大的性能。...
CNN学习笔记
01-20
感受野计算 感受野的定义： 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；通俗点说，就是图像的最终输出的每一个特征（每一个像素）到底受到原始图像哪一部分的影响。 来看...
学习笔记学习笔记学习笔记
01-29
学习笔记学习笔记学习笔记
Java基础 学习笔记 Markdownr版
06-27
本学习笔记主要涵盖了Java的基础知识，包括面向对象、集合、IO流、多线程、反射与动态代理以及Java 8的新特性等方面，旨在帮助初学者或有经验的开发者巩固和提升Java编程技能。 1. 面向对象（OOP）：Java的核心是...
GCC 学习 笔记GCC学习笔记
最新发布
04-22
GCC学习笔记
CNN中的感受野(Receptive Field)
weixin_43786241的博客
10-11 516
        感受野：卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域。
Receptive Field（感受野）
qq_21843433的博客
09-12 309
感受野       感受野指的是一个特定的CNN特征（特征图上的某个点）在输入空间所受影响的区域。一个感受野可以用中心位置(center location)和大小(size)来表征。然而，对于一个CNN特征来说，感受野中的每个像素值（pixel）并不是同等重要。一个像素点越接近感受野中心，它对输出特征的计算所起作用越大。这意味着某一个特征不仅仅是受限在输入图片中某个特定的区域（感受野），并且呈指数级聚焦在区域的中心。具体的计算方式如下。 输出特征图
细说卷积神经网络（CNN）中所谓的“感受野”（Receptive Field）
NorthSmile的博客
09-08 1万+
1）输入结果感受野一致的前提下，使用连续的小卷积核替换单个大卷积核，第一可以有效降低网络训练的参数量，第二可以增加网络深度，第三可以引入更丰富的非线性变换，使得网络可以拟合更多的可能性，更好地缓解过拟合；输入（C，7,7），对于最终的输出其感受野为（7,7），假设每个卷积层的输出通道数均为C，我们看一下各自的参数量：（1）使用连续的3个（3,3）卷积，其参数量为：（3×3×C）×C×3=27×C×C（2）使用一个（7,7）卷积，其参数量为：(7×7×C)×C=49×C×C。
CNN中的感受野总结
腾跃而上，不过数仞而下的博客
12-07 551
最近面试问到了有关感受野的知识，所以总结 了一下： 参考链接：CNN中感受野的计算、深度学习中的感受野计算 定义：感受野就是网络中输出特征图对应输入图像的区域。简单地说，就是特征图里面的一个元素受输入图像多大区域像素的影响。 所以根据定义，如果我们只计算某两个连续层之间的感受野，则可以通过直接画图，看输入图像多大的范围对应特征图中的一个点来确定两者之间的感受野。 但是，如果网络比较深，那么...
CNN计算感受野
Kun Wang's 博客
03-12 405
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。 ...
深度理解CNN中的感受野（大杀器）
Rolandxxx的博客
10-11 5557
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
AI_dataloads的博客
11-07 1431
在神经网络中，尤其是卷积神经网络（CNN）中，感受野（Receptive Field）是指特征图上的某个点能看到的输入图像的区域。换句话说，特征图上的一个点对应输入图上的一个区域，这个区域就是感受野。它反映的是神经网络中每个神经元（或特征图上的点）对输入图像中不同位置的感受范围。在典型的CNN结构中，FC层（全连接层）每个输出节点的值都依赖FC层所有的输入，而CONV层（卷积层）每个输出节点的值仅依赖CONV层输入的一个区域，这个区域之外的其他输入值都不会影响输出值，该区域就是感受野。
通俗易懂理解计算cnn中的感受野
野生蘑菇菌的博客
09-21 174
通俗易懂理解计算cnn中的感受野”市面上的解释“分析 ”市面上的解释“ 直观来看就是下面这种金字塔状的形式。 链接1 计算起来推荐正向计算法，比较好理解。 链接2 分析 1、从最基本的来看，layor0经过一次“卷积”以后（layor1）。kernel有多大，感受野就是多大。 2、一个元素身上背负的所有原始元素（只是原始元素）共同造就了一个新的元素，接下来卷积过程中，他将带着这些原始元素一起出发到下一层。 3、在下一层卷积的过程中，同样是kernel是多大，就有多少个伪感受野。 只不过这些是背负原始使命
CNN中感受野的定义概念
写写平时的技术与感想
11-12 4261
文章目录1. 人类视觉系统中的感受野2. CNN中感受野的定义3. 总结 1. 人类视觉系统中的感受野 从百科中理解到，就是一直盯着某个点看，如果保持你的眼球不转动的情况下，此时盯着的这个点是“清晰的”，但是，其他周围区域都是模糊的。 而只有转动眼球，才能连续不断的看到不同的区域。 从上述中，可以提取到关键信息： 总的视野大，可以看到的范围大。 只有中心的位置得到了关注。 除中心位置之外，其他都是模糊状态。 从上述例子中，我们可以了解深度卷积神经网络的感受野（receptive field） 2. C
李宏毅cnn学习笔记
09-10
他在课程中有关于卷积神经网络（CNN）的学习笔记，这些学习笔记可以帮助人们更好地理解和应用CNN。 在他的学习笔记中，李宏毅介绍了CNN的基本概念、架构和工作原理。他详细讲解了卷积层、池化层和全连接层等组成...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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