1. 感受野计算公式
假设第
i
−
1
i-1
i−1层特征的感受野为
R
F
i
−
1
RF_{i-1}
RFi−1,第
i
i
i层特征的感受野为:
R
F
i
=
R
F
i
−
1
+
(
k
i
−
1
)
∏
j
=
1
i
−
1
s
j
RF_{i}=RF_{i-1}+(k_i-1)\prod_{j=1}^{i-1}s_j
RFi=RFi−1+(ki−1)j=1∏i−1sj
其中,
k
i
k_i
ki是第
i
i
i层的卷积核尺寸(或池化核尺寸),
s
j
s_j
sj是第
j
j
j层的卷积步长(或池化步长)
注:padding的大小不影响感受野的计算,但影响输出特征图的大小。
2. ResNet网络结构
注:图片来源: https://www.jianshu.com/p/085f4c8256f1.
3. ResNet-50的感受野
使用感受野计算工具Fomoro AI:https://fomoro.com/research/article/receptive-field-calculator.
得到如下结果:
详细情况请查看:ResNet-50感受野计算结果.
输出特征层 | 感受野大小 |
---|---|
C2 stage | 35 |
C3 stage | 91 |
C4 stage | 267 |
C5 stage | 427 |
ResNet-50的理论感受野为 427 × 427 427\times427 427×427,比输入图像 224 × 224 224\times224 224×224还大,怎么解释?
- 理论感受野是网络的固有属性,当网络结构确定下来,感受野随之唯一确定,与输入图像大小无关。
详细情况请查看:ResNet-101感受野计算结果.