如何计算感受野(Receptive Field)——原理

本文转载自知乎专栏：https://zhuanlan.zhihu.com/p/31004121

写这篇文章的初衷是自己需要计算感受野，但是在今天之前只对感受野有感性认识，并不知道如何定量计算。所以在网上搜关键词“感受野”、“Receptive field”，看了一下午，发现一些博客，或者是知乎文章给出的感受野计算公式不一样，也没有把公式的推导过程写出来。遂写此文章，推导计算Receptive Field的过程以及解释如何计算Receptive Field。

一、直观的了解 Receptive field (RF)

Receptive field 是啥？看看网上的大佬们怎么说。

The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at (i.e. be affected by). —— Dang Ha The Hien

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）上的像素点在原始图像上映射的区域大小。 ——博客园

在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。 ——蓝荣祎

之所以列这么多感受野的定义,是想表明感受野的定义虽多，但大都是一个意思。通俗的说，感受野就是输入图像对这一层输出的神经元的影响有多大。形象的说，就是你的曾曾曾曾曾爷爷对他的后代们有多少影响这么一个概念。所以影响大不一定好，也许会带来用不着的糟粕。影响小也会阻碍后代学习传统知识。好了，扯回来，今天不讨论利弊，就讨论如何正确的计算感受野（RF）。

在学习计算感受野之前，先可视化一下感受野吧。举一个例子，原始图像为  ，卷积核（Kernel Size）为  ，padding 为  ，stride为  ，依照此卷积规则，连续做两次卷积。熟悉卷积过程的朋友都知道第一次卷积结果是  大小的feature map，第二次卷积结果是  大小的feature map。整个过程如图所示：

第一次卷积得到3*3的 feature map，RF为3*3 第二次卷积得到2*2的 feature map 黄色feature map对应的感受野是7*7大小

如图所示，第一层卷积结束后，感受野是3*3。在第二层卷积结束了，感受野是7*7

二、如何计算RF

公式一：这个算法从top往下层层迭代直到追溯回input image，从而计算出RF。

(N-1)_RF = f(N_RF, stride, kernel) = (N_RF - 1) * stride + kernel

其中，RF是感受野。N_RF和RF有点像，N代表 neighbour，指的是第n层的 a feature在n-1层的RF，记住N_RF只是一个中间变量，不要和RF混淆。 stride是步长，ksize是卷积核大小。

我来解释一下这个公式。（图片有点丑，不过不影响理解。）首先，我们的问题是右一的红叉叉映射到左一中，应该是什么size？自然思路就是右一的红叉叉映射到中间是什么size？因为卷积核是3*3，所以右一的红叉叉映射到中间是3*3. 那么接下来我们如果算出来中间3*3的红框框映射到左一是什么size，不就解决了我们的问题嘛。聪明的我们就发现了从中间映射到左边的size是kernel_size+stride*(3-1). 抽象一下就是kernel_size +stride*(N_RF-1)嘛。接下来就很简单了，一层又一层的迭代下去直到迭代到第一层，就求出了RF。Note: kernel_size和stride是左一的，而N_RF是中间的。

举一个小小的例子：

一个输入随意，第一层卷积核参数为ksize = 3, stride = 2，第二层ksize =3,stride=2,第三层ksize=3，stride=1.写一段代码计算RF，matlab代码如下：

ksize = 3;
strides = [1 2 2];
N_RF = 3;
for i = 1:3
    
    N_RF = (N_RF -1)*strides(i) + ksize;
    
end
fprintf('The RF is: %d \n',N_RF)

结果：

公式二有时间再写。

三、检验你的RF

看到这里的，奖励你认真好学，送福利了。不知道自己RF算得对不对？看下面这个网站。

FOMORO AI

三个高级工程师搞的网站，可以简单的输入网络参数，就直接把你的感受野计算出来。界面如下。PS: 话说老外把科研成果转化成产品的能力简直不要太强，产品不要太大方，太漂亮。学习学习。