神经网络的感受野

神经网络的感受野

关于的神经网络感受野,最直观的一个理解是:当我们通过卷积、池化等操作获得一个特征图以后,这张特征图上的一个特征点(一个像素),受到了原输入图像上多大范围内像素的影响。感受野事实上反映了当前用来对输入图像进行描述的特征,究竟能够涵盖到输入图像上多大范围内的信息。

在研究中表明,理论感受野所覆盖的像素,对于一个CNN特征来说,并不是同等重要,而是越靠近感受野中心的像素产生的影响越大,呈指数级聚焦。

这表明了理论感受野和模型的实际感受野存在的差异性。尽管如此,在实际的任务中,我们仍然可以利用理论感受野进行估算。当想要检出的目标在原图上具有较大尺度的时候,应该尤其注意模型的设计是否符合目标所需的感受野大小。

一、感受野的计算

下图给出了感受野可视化的两种方式。

左边一列直接从卷积运算的角度出发,来直观计算两层卷积之后特征的感受野大小。第一层输入图像大小为 5×5,卷积核大小 k = 3×3,步长 s = 2,padding = 1x1。第一层卷积之后图像的为 3×3,根据卷积的计算方法,第一层特征图(绿色)的感受野为 3×3。接下来第二层卷积采用完全相同的设置,假设padding部分也按完全相同的方式进行卷积,找到参与第二层卷积计算的所有第一层特征图像素,分析其各自的感受野范围,则可以得到第二层特征图(黄色)感受野为 7×7。

右边一列则固定了感受野的中心。其推算方法与前面相同,只是在标注感受野时在不同层的特征图上对齐到了各自中心位置。在这列图中,每个特征(绿色、黄色方块),被标记到了其感受野所在的中心位置。

preview

感受野的计算则可以按下述公式递推进行:

img

  1. 计算本层输出特征图大小 n o u t n_{out} nout,其中 n i n n_{in} nin
  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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