目标检测——感受野的学习笔记

1 前言

感受野在目标检测任务中是一个十分重要的可解释性的内在参数，是很重要的，也具有很强的物理意义～

2 感受野的计算方法

已知：上一层特征图的感受野$R{F}_l$，当前层卷积核的大小$k_{l+1}$，以及之前所有卷积层的步长$s_1,s_2,\dots ,s_l$，（其中这里的下标$l$表示单词“layer”）
则感受野的计算公式为
$$\begin{array}{rl}& R{F}_{l+1}=R{F}_l+(k_{l+1}-1)\ast \prod _{i=1}^l{s}_i\\ & R{F}_0=1\\ & s_0=1\end{array}$$
也可以等价于下面的递推公式
$$\begin{array}{rl}& R{F}_{l+1}=R{F}_l+(k_{l+1}-1)E{S}_{l+1}\\ & E{S}_{l+1}=E{S}_{l+1}\cdot s_{l+1}\\ & E{S}_0=1\end{array}$$

3 CNN感受野可视化

可以使用MLRichter/receptive_field_analysis_toolbox对CNN网络的感受野进行可视化；

3 备注

3.1 PyTorch官方实现的DeepLabV3中使用的ResNet101的感受野有1019

感觉还是挺厉害的；