感受野计算

最新推荐文章于 2022-02-15 00:48:47 发布
最新推荐文章于 2022-02-15 00:48:47 发布
阅读量881 收藏 3
点赞数
分类专栏： 机器学习 算法 文章标签： 感受野
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/weixin_39881922/article/details/81066359
版权

感受野：在卷积神经网络CNN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。

再通俗点的解释是，feature map上的一个点对应输入图上的区域。

 

 

感受野大小的计算

 感受野计算时有下面的几个情况需要说明：

　　（1）第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小

　　（2）深层卷积层的感受野大小和它之前所有层的滤波器大小和步长有关系

　　（3）计算感受野大小时，忽略了图像边缘的影响，即不考虑padding的大小，关于这个疑惑大家可以阅读一下参考文章2的解答进行理解

这里的每一个卷积层还有一个strides的概念，这个strides是之前所有层stride的乘积。  

　　即strides（i） = stride(1) * stride(2) * ...* stride(i-1) 

　　关于感受野大小的计算采用top to down的方式， 即先计算最深层在前一层上的感受野，然后逐渐传递到第一层，使用的公式可以表示如下：　　　

　　     RF = 1 #待计算的feature map上的感受野大小
　　for layer in （top layer To down layer）:
　　　　RF = ((RF -1)* stride) + fsize

stride 表示卷积的步长； fsize表示卷积层滤波器的大小　　

#!/usr/bin/env python

net_struct = {
       'vgg': {'net':[[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],
                        [2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[3,1,0],
                        [3,1,1],[1,1,0],[1,1,0],[3,2,0],[1,1,0],[3,2,0],
                        [1,1,0],[3,2,0],[1,1,0],[3,2,0],[1,1,0],[4,1,1]],
                 'name':['conv1_1','conv1_2','pool1','conv2_1','conv2_2','pool2','conv3_1','conv3_2',
                         'conv3_3', 'pool3','conv4_1','conv4_2','conv4_3_block4','pool4','conv5_1','conv5_2','conv5_3','pool5',
                         'conv_block6','conv_block7','conv8_1x1','conv3x3_block8','conv9_1x1','conv3x3_block9',
                         'conv10_1x1', 'conv3x3_block10','conv11_1x1','conv3x3_block11','conv12_1x1','conv4x4_block12']},
       }

imsize = 512

def outFromIn(isz, net, layernum):
    totstride = 1
    insize = isz
    outsize=None
    for layer in range(layernum):
        fsize, stride, pad = net[layer]
        outsize = (insize - fsize + 2*pad) / stride + 1
        insize = outsize
        totstride = totstride * stride
    return outsize, totstride

def inFromOut(net, layernum):
    RF = 1
    for layer in reversed(range(layernum)):
        fsize, stride, pad = net[layer]
        a=RF
        print('RF',a)
        RF = ((RF -1)* stride) + fsize
        print('stride=%d,fsize=%d,RF=((%d -1)* %d) + %d=%d:'%(stride,fsize,a,stride,fsize,RF))
    return RF

if __name__ == '__main__':
    print("layer output sizes given image = %dx%d" % (imsize, imsize))

    for net in net_struct.keys():
        print('************net structrue name is %s**************'% net)
        for i in range(len(net_struct[net]['net'])):
            p = outFromIn(imsize,net_struct[net]['net'], i+1)
            rf = inFromOut(net_struct[net]['net'], i+1)
            print("Layer Name = %s, Output size = %3d, Stride = % 3d, RF size = %3d" % (net_struct[net]['name'][i], p[0], p[1], rf))

layer output sizes given image = 512x512
************net structrue name is vgg**************
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
********************
Layer Name = conv1_1, Output size = 512, Stride =   1, RF size =   3
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
********************
Layer Name = conv1_2, Output size = 512, Stride =   1, RF size =   5
RF 1
stride=2,fsize=2,RF=((1 -1)* 2) + 2=2:
RF 2
stride=1,fsize=3,RF=((2 -1)* 1) + 3=4:
RF 4
stride=1,fsize=3,RF=((4 -1)* 1) + 3=6:
********************
Layer Name = pool1, Output size = 256, Stride =   2, RF size =   6
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=2,fsize=2,RF=((3 -1)* 2) + 2=6:
RF 6
stride=1,fsize=3,RF=((6 -1)* 1) + 3=8:
RF 8
stride=1,fsize=3,RF=((8 -1)* 1) + 3=10:
********************
Layer Name = conv2_1, Output size = 256, Stride =   2, RF size =  10
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=2,fsize=2,RF=((5 -1)* 2) + 2=10:
RF 10
stride=1,fsize=3,RF=((10 -1)* 1) + 3=12:
RF 12
stride=1,fsize=3,RF=((12 -1)* 1) + 3=14:
********************
Layer Name = conv2_2, Output size = 256, Stride =   2, RF size =  14
RF 1
stride=2,fsize=2,RF=((1 -1)* 2) + 2=2:
RF 2
stride=1,fsize=3,RF=((2 -1)* 1) + 3=4:
RF 4
stride=1,fsize=3,RF=((4 -1)* 1) + 3=6:
RF 6
stride=2,fsize=2,RF=((6 -1)* 2) + 2=12:
RF 12
stride=1,fsize=3,RF=((12 -1)* 1) + 3=14:
RF 14
stride=1,fsize=3,RF=((14 -1)* 1) + 3=16:
********************
Layer Name = pool2, Output size = 128, Stride =   4, RF size =  16
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=2,fsize=2,RF=((3 -1)* 2) + 2=6:
RF 6
stride=1,fsize=3,RF=((6 -1)* 1) + 3=8:
RF 8
stride=1,fsize=3,RF=((8 -1)* 1) + 3=10:
RF 10
stride=2,fsize=2,RF=((10 -1)* 2) + 2=20:
RF 20
stride=1,fsize=3,RF=((20 -1)* 1) + 3=22:
RF 22
stride=1,fsize=3,RF=((22 -1)* 1) + 3=24:
********************
Layer Name = conv3_1, Output size = 128, Stride =   4, RF size =  24
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=2,fsize=2,RF=((5 -1)* 2) + 2=10:
RF 10
stride=1,fsize=3,RF=((10 -1)* 1) + 3=12:
RF 12
stride=1,fsize=3,RF=((12 -1)* 1) + 3=14:
RF 14
stride=2,fsize=2,RF=((14 -1)* 2) + 2=28:
RF 28
stride=1,fsize=3,RF=((28 -1)* 1) + 3=30:
RF 30
stride=1,fsize=3,RF=((30 -1)* 1) + 3=32:
********************
Layer Name = conv3_2, Output size = 128, Stride =   4, RF size =  32
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=2,fsize=2,RF=((7 -1)* 2) + 2=14:
RF 14
stride=1,fsize=3,RF=((14 -1)* 1) + 3=16:
RF 16
stride=1,fsize=3,RF=((16 -1)* 1) + 3=18:
RF 18
stride=2,fsize=2,RF=((18 -1)* 2) + 2=36:
RF 36
stride=1,fsize=3,RF=((36 -1)* 1) + 3=38:
RF 38
stride=1,fsize=3,RF=((38 -1)* 1) + 3=40:
********************
Layer Name = conv3_3, Output size = 128, Stride =   4, RF size =  40
RF 1
stride=2,fsize=2,RF=((1 -1)* 2) + 2=2:
RF 2
stride=1,fsize=3,RF=((2 -1)* 1) + 3=4:
RF 4
stride=1,fsize=3,RF=((4 -1)* 1) + 3=6:
RF 6
stride=1,fsize=3,RF=((6 -1)* 1) + 3=8:
RF 8
stride=2,fsize=2,RF=((8 -1)* 2) + 2=16:
RF 16
stride=1,fsize=3,RF=((16 -1)* 1) + 3=18:
RF 18
stride=1,fsize=3,RF=((18 -1)* 1) + 3=20:
RF 20
stride=2,fsize=2,RF=((20 -1)* 2) + 2=40:
RF 40
stride=1,fsize=3,RF=((40 -1)* 1) + 3=42:
RF 42
stride=1,fsize=3,RF=((42 -1)* 1) + 3=44:
********************
Layer Name = pool3, Output size =  64, Stride =   8, RF size =  44
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=2,fsize=2,RF=((3 -1)* 2) + 2=6:
RF 6
stride=1,fsize=3,RF=((6 -1)* 1) + 3=8:
RF 8
stride=1,fsize=3,RF=((8 -1)* 1) + 3=10:
RF 10
stride=1,fsize=3,RF=((10 -1)* 1) + 3=12:
RF 12
stride=2,fsize=2,RF=((12 -1)* 2) + 2=24:
RF 24
stride=1,fsize=3,RF=((24 -1)* 1) + 3=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=2,fsize=2,RF=((28 -1)* 2) + 2=56:
RF 56
stride=1,fsize=3,RF=((56 -1)* 1) + 3=58:
RF 58
stride=1,fsize=3,RF=((58 -1)* 1) + 3=60:
********************
Layer Name = conv4_1, Output size =  64, Stride =   8, RF size =  60
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=2,fsize=2,RF=((5 -1)* 2) + 2=10:
RF 10
stride=1,fsize=3,RF=((10 -1)* 1) + 3=12:
RF 12
stride=1,fsize=3,RF=((12 -1)* 1) + 3=14:
RF 14
stride=1,fsize=3,RF=((14 -1)* 1) + 3=16:
RF 16
stride=2,fsize=2,RF=((16 -1)* 2) + 2=32:
RF 32
stride=1,fsize=3,RF=((32 -1)* 1) + 3=34:
RF 34
stride=1,fsize=3,RF=((34 -1)* 1) + 3=36:
RF 36
stride=2,fsize=2,RF=((36 -1)* 2) + 2=72:
RF 72
stride=1,fsize=3,RF=((72 -1)* 1) + 3=74:
RF 74
stride=1,fsize=3,RF=((74 -1)* 1) + 3=76:
********************
Layer Name = conv4_2, Output size =  64, Stride =   8, RF size =  76
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=2,fsize=2,RF=((7 -1)* 2) + 2=14:
RF 14
stride=1,fsize=3,RF=((14 -1)* 1) + 3=16:
RF 16
stride=1,fsize=3,RF=((16 -1)* 1) + 3=18:
RF 18
stride=1,fsize=3,RF=((18 -1)* 1) + 3=20:
RF 20
stride=2,fsize=2,RF=((20 -1)* 2) + 2=40:
RF 40
stride=1,fsize=3,RF=((40 -1)* 1) + 3=42:
RF 42
stride=1,fsize=3,RF=((42 -1)* 1) + 3=44:
RF 44
stride=2,fsize=2,RF=((44 -1)* 2) + 2=88:
RF 88
stride=1,fsize=3,RF=((88 -1)* 1) + 3=90:
RF 90
stride=1,fsize=3,RF=((90 -1)* 1) + 3=92:
********************
Layer Name = conv4_3_block4, Output size =  64, Stride =   8, RF size =  92
RF 1
stride=2,fsize=2,RF=((1 -1)* 2) + 2=2:
RF 2
stride=1,fsize=3,RF=((2 -1)* 1) + 3=4:
RF 4
stride=1,fsize=3,RF=((4 -1)* 1) + 3=6:
RF 6
stride=1,fsize=3,RF=((6 -1)* 1) + 3=8:
RF 8
stride=2,fsize=2,RF=((8 -1)* 2) + 2=16:
RF 16
stride=1,fsize=3,RF=((16 -1)* 1) + 3=18:
RF 18
stride=1,fsize=3,RF=((18 -1)* 1) + 3=20:
RF 20
stride=1,fsize=3,RF=((20 -1)* 1) + 3=22:
RF 22
stride=2,fsize=2,RF=((22 -1)* 2) + 2=44:
RF 44
stride=1,fsize=3,RF=((44 -1)* 1) + 3=46:
RF 46
stride=1,fsize=3,RF=((46 -1)* 1) + 3=48:
RF 48
stride=2,fsize=2,RF=((48 -1)* 2) + 2=96:
RF 96
stride=1,fsize=3,RF=((96 -1)* 1) + 3=98:
RF 98
stride=1,fsize=3,RF=((98 -1)* 1) + 3=100:
********************
Layer Name = pool4, Output size =  32, Stride =  16, RF size = 100
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=2,fsize=2,RF=((3 -1)* 2) + 2=6:
RF 6
stride=1,fsize=3,RF=((6 -1)* 1) + 3=8:
RF 8
stride=1,fsize=3,RF=((8 -1)* 1) + 3=10:
RF 10
stride=1,fsize=3,RF=((10 -1)* 1) + 3=12:
RF 12
stride=2,fsize=2,RF=((12 -1)* 2) + 2=24:
RF 24
stride=1,fsize=3,RF=((24 -1)* 1) + 3=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=1,fsize=3,RF=((28 -1)* 1) + 3=30:
RF 30
stride=2,fsize=2,RF=((30 -1)* 2) + 2=60:
RF 60
stride=1,fsize=3,RF=((60 -1)* 1) + 3=62:
RF 62
stride=1,fsize=3,RF=((62 -1)* 1) + 3=64:
RF 64
stride=2,fsize=2,RF=((64 -1)* 2) + 2=128:
RF 128
stride=1,fsize=3,RF=((128 -1)* 1) + 3=130:
RF 130
stride=1,fsize=3,RF=((130 -1)* 1) + 3=132:
********************
Layer Name = conv5_1, Output size =  32, Stride =  16, RF size = 132
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=2,fsize=2,RF=((5 -1)* 2) + 2=10:
RF 10
stride=1,fsize=3,RF=((10 -1)* 1) + 3=12:
RF 12
stride=1,fsize=3,RF=((12 -1)* 1) + 3=14:
RF 14
stride=1,fsize=3,RF=((14 -1)* 1) + 3=16:
RF 16
stride=2,fsize=2,RF=((16 -1)* 2) + 2=32:
RF 32
stride=1,fsize=3,RF=((32 -1)* 1) + 3=34:
RF 34
stride=1,fsize=3,RF=((34 -1)* 1) + 3=36:
RF 36
stride=1,fsize=3,RF=((36 -1)* 1) + 3=38:
RF 38
stride=2,fsize=2,RF=((38 -1)* 2) + 2=76:
RF 76
stride=1,fsize=3,RF=((76 -1)* 1) + 3=78:
RF 78
stride=1,fsize=3,RF=((78 -1)* 1) + 3=80:
RF 80
stride=2,fsize=2,RF=((80 -1)* 2) + 2=160:
RF 160
stride=1,fsize=3,RF=((160 -1)* 1) + 3=162:
RF 162
stride=1,fsize=3,RF=((162 -1)* 1) + 3=164:
********************
Layer Name = conv5_2, Output size =  32, Stride =  16, RF size = 164
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=2,fsize=2,RF=((7 -1)* 2) + 2=14:
RF 14
stride=1,fsize=3,RF=((14 -1)* 1) + 3=16:
RF 16
stride=1,fsize=3,RF=((16 -1)* 1) + 3=18:
RF 18
stride=1,fsize=3,RF=((18 -1)* 1) + 3=20:
RF 20
stride=2,fsize=2,RF=((20 -1)* 2) + 2=40:
RF 40
stride=1,fsize=3,RF=((40 -1)* 1) + 3=42:
RF 42
stride=1,fsize=3,RF=((42 -1)* 1) + 3=44:
RF 44
stride=1,fsize=3,RF=((44 -1)* 1) + 3=46:
RF 46
stride=2,fsize=2,RF=((46 -1)* 2) + 2=92:
RF 92
stride=1,fsize=3,RF=((92 -1)* 1) + 3=94:
RF 94
stride=1,fsize=3,RF=((94 -1)* 1) + 3=96:
RF 96
stride=2,fsize=2,RF=((96 -1)* 2) + 2=192:
RF 192
stride=1,fsize=3,RF=((192 -1)* 1) + 3=194:
RF 194
stride=1,fsize=3,RF=((194 -1)* 1) + 3=196:
********************
Layer Name = conv5_3, Output size =  32, Stride =  16, RF size = 196
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=2,fsize=2,RF=((9 -1)* 2) + 2=18:
RF 18
stride=1,fsize=3,RF=((18 -1)* 1) + 3=20:
RF 20
stride=1,fsize=3,RF=((20 -1)* 1) + 3=22:
RF 22
stride=1,fsize=3,RF=((22 -1)* 1) + 3=24:
RF 24
stride=2,fsize=2,RF=((24 -1)* 2) + 2=48:
RF 48
stride=1,fsize=3,RF=((48 -1)* 1) + 3=50:
RF 50
stride=1,fsize=3,RF=((50 -1)* 1) + 3=52:
RF 52
stride=1,fsize=3,RF=((52 -1)* 1) + 3=54:
RF 54
stride=2,fsize=2,RF=((54 -1)* 2) + 2=108:
RF 108
stride=1,fsize=3,RF=((108 -1)* 1) + 3=110:
RF 110
stride=1,fsize=3,RF=((110 -1)* 1) + 3=112:
RF 112
stride=2,fsize=2,RF=((112 -1)* 2) + 2=224:
RF 224
stride=1,fsize=3,RF=((224 -1)* 1) + 3=226:
RF 226
stride=1,fsize=3,RF=((226 -1)* 1) + 3=228:
********************
Layer Name = pool5, Output size =  30, Stride =  16, RF size = 228
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=2,fsize=2,RF=((11 -1)* 2) + 2=22:
RF 22
stride=1,fsize=3,RF=((22 -1)* 1) + 3=24:
RF 24
stride=1,fsize=3,RF=((24 -1)* 1) + 3=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=2,fsize=2,RF=((28 -1)* 2) + 2=56:
RF 56
stride=1,fsize=3,RF=((56 -1)* 1) + 3=58:
RF 58
stride=1,fsize=3,RF=((58 -1)* 1) + 3=60:
RF 60
stride=1,fsize=3,RF=((60 -1)* 1) + 3=62:
RF 62
stride=2,fsize=2,RF=((62 -1)* 2) + 2=124:
RF 124
stride=1,fsize=3,RF=((124 -1)* 1) + 3=126:
RF 126
stride=1,fsize=3,RF=((126 -1)* 1) + 3=128:
RF 128
stride=2,fsize=2,RF=((128 -1)* 2) + 2=256:
RF 256
stride=1,fsize=3,RF=((256 -1)* 1) + 3=258:
RF 258
stride=1,fsize=3,RF=((258 -1)* 1) + 3=260:
********************
Layer Name = conv_block6, Output size =  30, Stride =  16, RF size = 260
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=2,fsize=2,RF=((11 -1)* 2) + 2=22:
RF 22
stride=1,fsize=3,RF=((22 -1)* 1) + 3=24:
RF 24
stride=1,fsize=3,RF=((24 -1)* 1) + 3=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=2,fsize=2,RF=((28 -1)* 2) + 2=56:
RF 56
stride=1,fsize=3,RF=((56 -1)* 1) + 3=58:
RF 58
stride=1,fsize=3,RF=((58 -1)* 1) + 3=60:
RF 60
stride=1,fsize=3,RF=((60 -1)* 1) + 3=62:
RF 62
stride=2,fsize=2,RF=((62 -1)* 2) + 2=124:
RF 124
stride=1,fsize=3,RF=((124 -1)* 1) + 3=126:
RF 126
stride=1,fsize=3,RF=((126 -1)* 1) + 3=128:
RF 128
stride=2,fsize=2,RF=((128 -1)* 2) + 2=256:
RF 256
stride=1,fsize=3,RF=((256 -1)* 1) + 3=258:
RF 258
stride=1,fsize=3,RF=((258 -1)* 1) + 3=260:
********************
Layer Name = conv_block7, Output size =  30, Stride =  16, RF size = 260
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=1,fsize=3,RF=((1 -1)* 1) + 3=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=2,fsize=2,RF=((11 -1)* 2) + 2=22:
RF 22
stride=1,fsize=3,RF=((22 -1)* 1) + 3=24:
RF 24
stride=1,fsize=3,RF=((24 -1)* 1) + 3=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=2,fsize=2,RF=((28 -1)* 2) + 2=56:
RF 56
stride=1,fsize=3,RF=((56 -1)* 1) + 3=58:
RF 58
stride=1,fsize=3,RF=((58 -1)* 1) + 3=60:
RF 60
stride=1,fsize=3,RF=((60 -1)* 1) + 3=62:
RF 62
stride=2,fsize=2,RF=((62 -1)* 2) + 2=124:
RF 124
stride=1,fsize=3,RF=((124 -1)* 1) + 3=126:
RF 126
stride=1,fsize=3,RF=((126 -1)* 1) + 3=128:
RF 128
stride=2,fsize=2,RF=((128 -1)* 2) + 2=256:
RF 256
stride=1,fsize=3,RF=((256 -1)* 1) + 3=258:
RF 258
stride=1,fsize=3,RF=((258 -1)* 1) + 3=260:
********************
Layer Name = conv8_1x1, Output size =  30, Stride =  16, RF size = 260
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=1,fsize=3,RF=((11 -1)* 1) + 3=13:
RF 13
stride=2,fsize=2,RF=((13 -1)* 2) + 2=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=1,fsize=3,RF=((28 -1)* 1) + 3=30:
RF 30
stride=1,fsize=3,RF=((30 -1)* 1) + 3=32:
RF 32
stride=2,fsize=2,RF=((32 -1)* 2) + 2=64:
RF 64
stride=1,fsize=3,RF=((64 -1)* 1) + 3=66:
RF 66
stride=1,fsize=3,RF=((66 -1)* 1) + 3=68:
RF 68
stride=1,fsize=3,RF=((68 -1)* 1) + 3=70:
RF 70
stride=2,fsize=2,RF=((70 -1)* 2) + 2=140:
RF 140
stride=1,fsize=3,RF=((140 -1)* 1) + 3=142:
RF 142
stride=1,fsize=3,RF=((142 -1)* 1) + 3=144:
RF 144
stride=2,fsize=2,RF=((144 -1)* 2) + 2=288:
RF 288
stride=1,fsize=3,RF=((288 -1)* 1) + 3=290:
RF 290
stride=1,fsize=3,RF=((290 -1)* 1) + 3=292:
********************
Layer Name = conv3x3_block8, Output size =  14, Stride =  32, RF size = 292
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=1,fsize=3,RF=((3 -1)* 1) + 3=5:
RF 5
stride=1,fsize=3,RF=((5 -1)* 1) + 3=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=1,fsize=3,RF=((11 -1)* 1) + 3=13:
RF 13
stride=2,fsize=2,RF=((13 -1)* 2) + 2=26:
RF 26
stride=1,fsize=3,RF=((26 -1)* 1) + 3=28:
RF 28
stride=1,fsize=3,RF=((28 -1)* 1) + 3=30:
RF 30
stride=1,fsize=3,RF=((30 -1)* 1) + 3=32:
RF 32
stride=2,fsize=2,RF=((32 -1)* 2) + 2=64:
RF 64
stride=1,fsize=3,RF=((64 -1)* 1) + 3=66:
RF 66
stride=1,fsize=3,RF=((66 -1)* 1) + 3=68:
RF 68
stride=1,fsize=3,RF=((68 -1)* 1) + 3=70:
RF 70
stride=2,fsize=2,RF=((70 -1)* 2) + 2=140:
RF 140
stride=1,fsize=3,RF=((140 -1)* 1) + 3=142:
RF 142
stride=1,fsize=3,RF=((142 -1)* 1) + 3=144:
RF 144
stride=2,fsize=2,RF=((144 -1)* 2) + 2=288:
RF 288
stride=1,fsize=3,RF=((288 -1)* 1) + 3=290:
RF 290
stride=1,fsize=3,RF=((290 -1)* 1) + 3=292:
********************
Layer Name = conv9_1x1, Output size =  14, Stride =  32, RF size = 292
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=2,fsize=3,RF=((3 -1)* 2) + 3=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=1,fsize=3,RF=((11 -1)* 1) + 3=13:
RF 13
stride=1,fsize=3,RF=((13 -1)* 1) + 3=15:
RF 15
stride=1,fsize=3,RF=((15 -1)* 1) + 3=17:
RF 17
stride=2,fsize=2,RF=((17 -1)* 2) + 2=34:
RF 34
stride=1,fsize=3,RF=((34 -1)* 1) + 3=36:
RF 36
stride=1,fsize=3,RF=((36 -1)* 1) + 3=38:
RF 38
stride=1,fsize=3,RF=((38 -1)* 1) + 3=40:
RF 40
stride=2,fsize=2,RF=((40 -1)* 2) + 2=80:
RF 80
stride=1,fsize=3,RF=((80 -1)* 1) + 3=82:
RF 82
stride=1,fsize=3,RF=((82 -1)* 1) + 3=84:
RF 84
stride=1,fsize=3,RF=((84 -1)* 1) + 3=86:
RF 86
stride=2,fsize=2,RF=((86 -1)* 2) + 2=172:
RF 172
stride=1,fsize=3,RF=((172 -1)* 1) + 3=174:
RF 174
stride=1,fsize=3,RF=((174 -1)* 1) + 3=176:
RF 176
stride=2,fsize=2,RF=((176 -1)* 2) + 2=352:
RF 352
stride=1,fsize=3,RF=((352 -1)* 1) + 3=354:
RF 354
stride=1,fsize=3,RF=((354 -1)* 1) + 3=356:
********************
Layer Name = conv3x3_block9, Output size =   6, Stride =  64, RF size = 356
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=2,fsize=3,RF=((3 -1)* 2) + 3=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=1,fsize=3,RF=((7 -1)* 1) + 3=9:
RF 9
stride=1,fsize=3,RF=((9 -1)* 1) + 3=11:
RF 11
stride=1,fsize=3,RF=((11 -1)* 1) + 3=13:
RF 13
stride=1,fsize=3,RF=((13 -1)* 1) + 3=15:
RF 15
stride=1,fsize=3,RF=((15 -1)* 1) + 3=17:
RF 17
stride=2,fsize=2,RF=((17 -1)* 2) + 2=34:
RF 34
stride=1,fsize=3,RF=((34 -1)* 1) + 3=36:
RF 36
stride=1,fsize=3,RF=((36 -1)* 1) + 3=38:
RF 38
stride=1,fsize=3,RF=((38 -1)* 1) + 3=40:
RF 40
stride=2,fsize=2,RF=((40 -1)* 2) + 2=80:
RF 80
stride=1,fsize=3,RF=((80 -1)* 1) + 3=82:
RF 82
stride=1,fsize=3,RF=((82 -1)* 1) + 3=84:
RF 84
stride=1,fsize=3,RF=((84 -1)* 1) + 3=86:
RF 86
stride=2,fsize=2,RF=((86 -1)* 2) + 2=172:
RF 172
stride=1,fsize=3,RF=((172 -1)* 1) + 3=174:
RF 174
stride=1,fsize=3,RF=((174 -1)* 1) + 3=176:
RF 176
stride=2,fsize=2,RF=((176 -1)* 2) + 2=352:
RF 352
stride=1,fsize=3,RF=((352 -1)* 1) + 3=354:
RF 354
stride=1,fsize=3,RF=((354 -1)* 1) + 3=356:
********************
Layer Name = conv10_1x1, Output size =   6, Stride =  64, RF size = 356
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=2,fsize=3,RF=((3 -1)* 2) + 3=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=2,fsize=3,RF=((7 -1)* 2) + 3=15:
RF 15
stride=1,fsize=1,RF=((15 -1)* 1) + 1=15:
RF 15
stride=1,fsize=1,RF=((15 -1)* 1) + 1=15:
RF 15
stride=1,fsize=3,RF=((15 -1)* 1) + 3=17:
RF 17
stride=1,fsize=3,RF=((17 -1)* 1) + 3=19:
RF 19
stride=1,fsize=3,RF=((19 -1)* 1) + 3=21:
RF 21
stride=1,fsize=3,RF=((21 -1)* 1) + 3=23:
RF 23
stride=1,fsize=3,RF=((23 -1)* 1) + 3=25:
RF 25
stride=2,fsize=2,RF=((25 -1)* 2) + 2=50:
RF 50
stride=1,fsize=3,RF=((50 -1)* 1) + 3=52:
RF 52
stride=1,fsize=3,RF=((52 -1)* 1) + 3=54:
RF 54
stride=1,fsize=3,RF=((54 -1)* 1) + 3=56:
RF 56
stride=2,fsize=2,RF=((56 -1)* 2) + 2=112:
RF 112
stride=1,fsize=3,RF=((112 -1)* 1) + 3=114:
RF 114
stride=1,fsize=3,RF=((114 -1)* 1) + 3=116:
RF 116
stride=1,fsize=3,RF=((116 -1)* 1) + 3=118:
RF 118
stride=2,fsize=2,RF=((118 -1)* 2) + 2=236:
RF 236
stride=1,fsize=3,RF=((236 -1)* 1) + 3=238:
RF 238
stride=1,fsize=3,RF=((238 -1)* 1) + 3=240:
RF 240
stride=2,fsize=2,RF=((240 -1)* 2) + 2=480:
RF 480
stride=1,fsize=3,RF=((480 -1)* 1) + 3=482:
RF 482
stride=1,fsize=3,RF=((482 -1)* 1) + 3=484:
********************
Layer Name = conv3x3_block10, Output size =   2, Stride =  128, RF size = 484
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=2,fsize=3,RF=((3 -1)* 2) + 3=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=2,fsize=3,RF=((7 -1)* 2) + 3=15:
RF 15
stride=1,fsize=1,RF=((15 -1)* 1) + 1=15:
RF 15
stride=1,fsize=1,RF=((15 -1)* 1) + 1=15:
RF 15
stride=1,fsize=3,RF=((15 -1)* 1) + 3=17:
RF 17
stride=1,fsize=3,RF=((17 -1)* 1) + 3=19:
RF 19
stride=1,fsize=3,RF=((19 -1)* 1) + 3=21:
RF 21
stride=1,fsize=3,RF=((21 -1)* 1) + 3=23:
RF 23
stride=1,fsize=3,RF=((23 -1)* 1) + 3=25:
RF 25
stride=2,fsize=2,RF=((25 -1)* 2) + 2=50:
RF 50
stride=1,fsize=3,RF=((50 -1)* 1) + 3=52:
RF 52
stride=1,fsize=3,RF=((52 -1)* 1) + 3=54:
RF 54
stride=1,fsize=3,RF=((54 -1)* 1) + 3=56:
RF 56
stride=2,fsize=2,RF=((56 -1)* 2) + 2=112:
RF 112
stride=1,fsize=3,RF=((112 -1)* 1) + 3=114:
RF 114
stride=1,fsize=3,RF=((114 -1)* 1) + 3=116:
RF 116
stride=1,fsize=3,RF=((116 -1)* 1) + 3=118:
RF 118
stride=2,fsize=2,RF=((118 -1)* 2) + 2=236:
RF 236
stride=1,fsize=3,RF=((236 -1)* 1) + 3=238:
RF 238
stride=1,fsize=3,RF=((238 -1)* 1) + 3=240:
RF 240
stride=2,fsize=2,RF=((240 -1)* 2) + 2=480:
RF 480
stride=1,fsize=3,RF=((480 -1)* 1) + 3=482:
RF 482
stride=1,fsize=3,RF=((482 -1)* 1) + 3=484:
********************
Layer Name = conv11_1x1, Output size =   2, Stride =  128, RF size = 484
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=2,fsize=3,RF=((3 -1)* 2) + 3=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=2,fsize=3,RF=((7 -1)* 2) + 3=15:
RF 15
stride=1,fsize=1,RF=((15 -1)* 1) + 1=15:
RF 15
stride=2,fsize=3,RF=((15 -1)* 2) + 3=31:
RF 31
stride=1,fsize=1,RF=((31 -1)* 1) + 1=31:
RF 31
stride=1,fsize=1,RF=((31 -1)* 1) + 1=31:
RF 31
stride=1,fsize=3,RF=((31 -1)* 1) + 3=33:
RF 33
stride=1,fsize=3,RF=((33 -1)* 1) + 3=35:
RF 35
stride=1,fsize=3,RF=((35 -1)* 1) + 3=37:
RF 37
stride=1,fsize=3,RF=((37 -1)* 1) + 3=39:
RF 39
stride=1,fsize=3,RF=((39 -1)* 1) + 3=41:
RF 41
stride=2,fsize=2,RF=((41 -1)* 2) + 2=82:
RF 82
stride=1,fsize=3,RF=((82 -1)* 1) + 3=84:
RF 84
stride=1,fsize=3,RF=((84 -1)* 1) + 3=86:
RF 86
stride=1,fsize=3,RF=((86 -1)* 1) + 3=88:
RF 88
stride=2,fsize=2,RF=((88 -1)* 2) + 2=176:
RF 176
stride=1,fsize=3,RF=((176 -1)* 1) + 3=178:
RF 178
stride=1,fsize=3,RF=((178 -1)* 1) + 3=180:
RF 180
stride=1,fsize=3,RF=((180 -1)* 1) + 3=182:
RF 182
stride=2,fsize=2,RF=((182 -1)* 2) + 2=364:
RF 364
stride=1,fsize=3,RF=((364 -1)* 1) + 3=366:
RF 366
stride=1,fsize=3,RF=((366 -1)* 1) + 3=368:
RF 368
stride=2,fsize=2,RF=((368 -1)* 2) + 2=736:
RF 736
stride=1,fsize=3,RF=((736 -1)* 1) + 3=738:
RF 738
stride=1,fsize=3,RF=((738 -1)* 1) + 3=740:
********************
Layer Name = conv3x3_block11, Output size =   0, Stride =  256, RF size = 740
RF 1
stride=1,fsize=1,RF=((1 -1)* 1) + 1=1:
RF 1
stride=2,fsize=3,RF=((1 -1)* 2) + 3=3:
RF 3
stride=1,fsize=1,RF=((3 -1)* 1) + 1=3:
RF 3
stride=2,fsize=3,RF=((3 -1)* 2) + 3=7:
RF 7
stride=1,fsize=1,RF=((7 -1)* 1) + 1=7:
RF 7
stride=2,fsize=3,RF=((7 -1)* 2) + 3=15:
RF 15
stride=1,fsize=1,RF=((15 -1)* 1) + 1=15:
RF 15
stride=2,fsize=3,RF=((15 -1)* 2) + 3=31:
RF 31
stride=1,fsize=1,RF=((31 -1)* 1) + 1=31:
RF 31
stride=1,fsize=1,RF=((31 -1)* 1) + 1=31:
RF 31
stride=1,fsize=3,RF=((31 -1)* 1) + 3=33:
RF 33
stride=1,fsize=3,RF=((33 -1)* 1) + 3=35:
RF 35
stride=1,fsize=3,RF=((35 -1)* 1) + 3=37:
RF 37
stride=1,fsize=3,RF=((37 -1)* 1) + 3=39:
RF 39
stride=1,fsize=3,RF=((39 -1)* 1) + 3=41:
RF 41
stride=2,fsize=2,RF=((41 -1)* 2) + 2=82:
RF 82
stride=1,fsize=3,RF=((82 -1)* 1) + 3=84:
RF 84
stride=1,fsize=3,RF=((84 -1)* 1) + 3=86:
RF 86
stride=1,fsize=3,RF=((86 -1)* 1) + 3=88:
RF 88
stride=2,fsize=2,RF=((88 -1)* 2) + 2=176:
RF 176
stride=1,fsize=3,RF=((176 -1)* 1) + 3=178:
RF 178
stride=1,fsize=3,RF=((178 -1)* 1) + 3=180:
RF 180
stride=1,fsize=3,RF=((180 -1)* 1) + 3=182:
RF 182
stride=2,fsize=2,RF=((182 -1)* 2) + 2=364:
RF 364
stride=1,fsize=3,RF=((364 -1)* 1) + 3=366:
RF 366
stride=1,fsize=3,RF=((366 -1)* 1) + 3=368:
RF 368
stride=2,fsize=2,RF=((368 -1)* 2) + 2=736:
RF 736
stride=1,fsize=3,RF=((736 -1)* 1) + 3=738:
RF 738
stride=1,fsize=3,RF=((738 -1)* 1) + 3=740:
********************
Layer Name = conv12_1x1, Output size =   0, Stride =  256, RF size = 740
RF 1
stride=1,fsize=4,RF=((1 -1)* 1) + 4=4:
RF 4
stride=1,fsize=1,RF=((4 -1)* 1) + 1=4:
RF 4
stride=2,fsize=3,RF=((4 -1)* 2) + 3=9:
RF 9
stride=1,fsize=1,RF=((9 -1)* 1) + 1=9:
RF 9
stride=2,fsize=3,RF=((9 -1)* 2) + 3=19:
RF 19
stride=1,fsize=1,RF=((19 -1)* 1) + 1=19:
RF 19
stride=2,fsize=3,RF=((19 -1)* 2) + 3=39:
RF 39
stride=1,fsize=1,RF=((39 -1)* 1) + 1=39:
RF 39
stride=2,fsize=3,RF=((39 -1)* 2) + 3=79:
RF 79
stride=1,fsize=1,RF=((79 -1)* 1) + 1=79:
RF 79
stride=1,fsize=1,RF=((79 -1)* 1) + 1=79:
RF 79
stride=1,fsize=3,RF=((79 -1)* 1) + 3=81:
RF 81
stride=1,fsize=3,RF=((81 -1)* 1) + 3=83:
RF 83
stride=1,fsize=3,RF=((83 -1)* 1) + 3=85:
RF 85
stride=1,fsize=3,RF=((85 -1)* 1) + 3=87:
RF 87
stride=1,fsize=3,RF=((87 -1)* 1) + 3=89:
RF 89
stride=2,fsize=2,RF=((89 -1)* 2) + 2=178:
RF 178
stride=1,fsize=3,RF=((178 -1)* 1) + 3=180:
RF 180
stride=1,fsize=3,RF=((180 -1)* 1) + 3=182:
RF 182
stride=1,fsize=3,RF=((182 -1)* 1) + 3=184:
RF 184
stride=2,fsize=2,RF=((184 -1)* 2) + 2=368:
RF 368
stride=1,fsize=3,RF=((368 -1)* 1) + 3=370:
RF 370
stride=1,fsize=3,RF=((370 -1)* 1) + 3=372:
RF 372
stride=1,fsize=3,RF=((372 -1)* 1) + 3=374:
RF 374
stride=2,fsize=2,RF=((374 -1)* 2) + 2=748:
RF 748
stride=1,fsize=3,RF=((748 -1)* 1) + 3=750:
RF 750
stride=1,fsize=3,RF=((750 -1)* 1) + 3=752:
RF 752
stride=2,fsize=2,RF=((752 -1)* 2) + 2=1504:
RF 1504
stride=1,fsize=3,RF=((1504 -1)* 1) + 3=1506:
RF 1506
stride=1,fsize=3,RF=((1506 -1)* 1) + 3=1508:
********************
Layer Name = conv4x4_block12, Output size =   0, Stride =  256, RF size = 1508

还有一种简便算法

 

 'vgg16': {'net':[[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0]],'name'['conv1_1','conv1_2','pool1','conv2_1','conv2_2','pool2','conv3_1','conv3_2','conv3_3','pool3','conv4_1','conv4_2','conv4_3','pool4','conv5_1','conv5_2','conv5_3','pool5']}

当前层的感受野=(fsize-1)*stride_last+RF_last

例如：

conv1_2RF=(3-1)*1+3=5

zcc_TPJH
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
感受野的计算与理解（一看就会）
01-06
Q1：感受野指什么？ A1：（1）从局部理解：（上层->本层）感受野等价与卷积核尺寸。           （2）从全局理解：指输出特征层中一个点映射在原始输入图像中的区域。            Tips：通常感受野指全局理解。 Q2：如何计算一个点映射在原始图像中的区域大小？  A2：（1）常规卷积核           首先需要理解输出feature map大小的计算：其中P = padding, K = kernel_size, S = stride,                          自顶向下计算：从输出层反向推导一个点对应输入层的feature map      
深度学习——深度学习中感受野的计算
最新发布
知来者逆的博客
07-04 1134
在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上每个像素点在原始图像上映射的区域大小，这里的原始图像是指网络的输入图像，是经过预处理（如resize，warp，crop）后的图像。神经元之所以无法对原始图像的所有信息进行感知，是因为在卷积神经网络中普遍使用卷积层和pooling层，在层与层之间均为局部连接。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着它可能蕴含更为全局，语义层次更高的特征；
如何计算感受野(Receptive Field)
Lyn_Notes
03-14 1万+
一、感受野的概念 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。 感受野计算时有下面的几个情况需要说明： a)第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小； b)深层卷积层的感受野大小和它之前所有层的滤波器大小和步长有关系； c)计算感受野大小时，忽略了图像边缘的影响，即不考虑padding的大小。 二、感受野计算公式 1.公式一： 从原始inp...
感受野的计算
ab0902cd的博客
11-21 465
感受野的计算 感受野（Receptive Field），指的是神经网络中神经元“看到的”输入区域，在卷积神经网络中，feature map上某个元素的计算受输入图像上某个区域的影响，这个区域即该元素的感受野。 卷积神经网络中，越深层的神经元看到的输入区域越大，如下图所示，kernel size 均为3×33×3，stride均为1，绿色标记的是Layer2Layer2每个神经元看到的区域，黄色标记的是Layer3Layer3看到的区域，具体地，Layer2Layer2每个神经元可看到Layer1La..
Dilated Convolution和普通感受野计算的python实现
01-06
这里对Dilated/Atrous Convolution的感受野计算也进行下实现 其实Dilated/Atrous Convolution理解起来很简单多孔卷积，仅仅是为了增加感受野，参数不变 当dilation = 1时就和普通卷积一样 如果使用了dilation卷积...
52.CNN感受野计算 - 喵喵帕斯 - 博客园1
08-03
**例2：感受野计算** 假设有一个简单的网络结构，其中两个连续的层都有步长s=2和过滤器大小k=3，没有填充p=0。第一层（layer1）对输入层（layer0），感受野是 `(1-1) * 2 + 3 = 3`。第二层（layer2）对输入层的感受...
fc_神经计算_感受野_thereforenpo_
09-29
"fc_神经计算_感受野_thereforenpo_"这个标题暗示我们将探讨与全连接层（fully connected layer，简称fc）相关的神经计算，特别是与感受野的计算和应用有关的内容。 首先，我们要知道感受野通常与卷积神经网络...
ReceptiveField.exe
05-29
简单的感受野计算工具，利用Python编写的，界面比较简单
关于感受野的计算
SpiritedAway
03-31 438
介绍感受野的计算
感受野计算公式
qq_33289694的博客
12-18 2915
感受野计算公式 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区域的大小。 计算公式 lk=lk−1+[(fk−1)∗∏i=1k−1si] l_{k}= l_{k-1} + \left [ \left ( f_{k} -1 \right ) * \prod_{i=1}^{k-1} s_{i}\right ] lk​=lk−1​+[(fk​−1)∗i=1∏...
感受野的含义及计算方法
热门推荐
m0_56192771的博客
02-15 1万+
1 感受野(Receptive Field)的概念 感受野(Receptive Field)的概念：在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始输入图像上映射的区域大小。第一层卷积层的输出特征图像素的感受野大小等于卷积核大小，其它卷积层的输出特征图的感受野的大小和它之前所有层的卷积核大小和步长有关系 2 感受野的作用： 特征图上的感受野越大，那么该特征图上每一个特征点所能看到的原始输入图形上的区域就越大，所以该它越能检测比较大的物体，但是也越容
2020-10-15 看完还不懂卷积神经网络“感受野”？那你来找我
weixin_41366701的博客
10-17 299
如何理解卷积神经网络中的1*1卷积 本文转自：https://blog.csdn.net/chaipp0607/article/details/60868689 收起 我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun大神发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！ 比如在残差网络的.
darknet53感受野计算
05-11
Darknet53是一个卷积神经网络模型，其感受野计算是指在输入图像中的一个像素点位置上，卷积核所能感受到的输入图像中像素点的范围。在Darknet53中，感受野的计算是通过网络层的堆叠实现的，每一层都会对输入图像进行...
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