CNN中的感受野(Receptive Field)

        面试问了感受野，以前学习过，忘了紧张没回答出来，淦！，来总结一下（哭唧唧），平时要注意知识的不停积累，学习过后的知识，整理思绪写在博客上可以加深印象。

简介

        感受野：卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域。

        以下图为例，假如输入为一个10x10的特征图，卷积核为7x7，步长为1，则感受野为：7。

感受野的计算

    感受野的计算需要知道的计算量：

• 第 $i$ 层的卷积核大小$k_i$，步长$s_i$
• 第 $i-1$ 层的感受野大小$r{f}_{i-1}$

        下面是感受野的一般计算公式：
               

        举个例子，借用彻底搞懂感受野的含义与计算的图：
下图中每一个Layer的卷积大小都为3x3，步长为1，Layer1为输入特征图，则Layer2的感受野为3，Layer3相对于Layer2的感受野为3，相对于Layer1的感受野为5：

        我们一起来分析一下这个计算感受野的式子，输入层Layer1的感受野为1（因为输入层每个像素点对应输入图像的一个像素点），Layer2的感受野为3（Layer2上的每个像素点对应Layer1的三个像素点），Layer3的每个像素点对应Layer1的5个像素点，对应Layer2的3个像素点。

        现在分析一下计算公式：

• 第一层：$r{f}_i$=1
• 第二层：$r{f}_2=k_2$
• 第三层：第三层可以看作第三层对应于第二层感受野$k_1$除第一个元素外（第一个元素对应的感受野为$r{f}_2$），剩下$k_{i-1}$个元素在第一层图像上的扫过的范围，而这个扫过的范围和步长有关，即剩下的每一个元素都对应一个步长$s_i$，即$r{f}_2+(k_3-1)\ast s_2$
• 第四层：同样第四层可以看作第四层对应于第三层感受野$k_4$除第一个元素外（第一个元素的感受野为$r{f}_3$），剩下$k_4-1$个元素在第一层图像上的扫过的范围，要求这个范围，先要求在第二层上扫过的范围，即$(k_4-1)\ast s_4$，则在第一层图像上的扫过的范围：$(k_4-1)\ast s_3\ast s_2$，即第四层感受野为：$r{f}_3+(k_4-1)\ast s_3\ast s_2$
• …

由此可见感受野大小的计算是个递推公式。

感受野的作用

        来自牧世的文章中说的不错：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了更为全局，语义层次更高的特征；相反，值越小则表示其所包含的特征越趋向局部和细节。因此感受野的值可以用来大致判断每一层的抽象层次。