receptive field（感受野）

在深度学习中，receptive field（感受野）指的是在神经网络中某一层输出的特征图中，每个像素对应输入图像中的区域大小。它表示了一个神经元或卷积核所能看到的输入数据的范围。

在卷积神经网络（CNN）中，每个神经元或卷积核对应一个固定大小的receptive field。这个receptive field的大小取决于网络架构和每个层的卷积核大小、步幅（stride）以及填充（padding）等参数。

理解和控制receptive field的大小对于深度学习模型的性能和表达能力具有重要影响。具体来说，较小的receptive field能够更好地捕捉到局部细节和纹理信息，适用于处理更细粒度的任务。而较大的receptive field能够捕捉到更广阔的上下文信息，有助于处理更全局的特征和语义信息。

通过堆叠多个卷积层和池化层，每个层的receptive field逐渐增大，使神经网络能够逐渐理解整体图像的上下文关系。这种层级化的结构允许模型在低级特征的基础上提取更高级别、更抽象的特征。

receptive field的大小对于物体识别、图像分割和目标定位等计算机视觉任务具有重要意义。设计合适的receptive field大小可以平衡对局部和全局信息的需求，帮助模型更准确地理解和解释图像内容。

cited from: ChatMoss