CNN感受野

一、概念

感受野：即为卷积神经网络中每层的特征图（Feature Map）上的像素点在原始图像中映射的区域大小，也就相当于高层的特征图中的像素点受原图多大区域的影响。

一个感受野可以用中心位置(center location)和大小(size)来表征。

并且对于一个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。

 

二、计算感受野

计算CNN每一层的感受野，除了要知道特征图每个维度的特征数 ，还需要记录每一层的其他信息，这包括当前层的感受野大小  ，两个相邻特征的距离（跳跃的距离，如前面可视化所示）  ，和左上角特征（第一个特征）的中心坐标  。注意感受野（其实是特征图第一个特征的感受野）的中心坐标就等于这个特征的中心坐标，就如前面可视化中所示。当采用的卷积其核大小为  ，padding大小为  ，步长为  ，输出特征图的感受野可以按照如下公式计算：

• 第一个式子根据输入特征图大小以及卷积参数计算输出特征图大小。
• 第二个式子计算输出特征图的特征间的间隔  ，其等于上一层的间隔值乘以卷积的步长，所以间隔值将是按照步长呈指数级增长。
• 第三个式子计算输出特征图的感受野大小，其等于前一层感受野大小加上  ，所以感受野是呈指数级增加，并且还有一个因子  。
• 第四个式子计算输出特征图的第一个特征感受野的中心坐标，其等于第一层的中心坐标加上 ，再减去 ，注意两项都要乘以前一层的间隔距离以得到实际距离。

 

最后这个可以计算感受野的网站：https://fomoro.com/projects/project/receptive-field-calculator#3,1,2,VALID

 

参考：https://zhuanlan.zhihu.com/p/35708466