CNN中的receptive filed（感受野）

最新推荐文章于 2023-03-10 14:50:35 发布
最新推荐文章于 2023-03-10 14:50:35 发布
阅读量371 收藏 1
点赞数 1
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wqwqqwqw1231/article/details/98850062
版权

英文链接
https://medium.com/mlreview/a-guide-to-receptive-field-arithmetic-for-convolutional-neural-networks-e0f514068807
中文翻译
https://blog.csdn.net/u010532666/article/details/79082879

通过卷积和池化层，CNN越上层的feature map越小，其感受野越大，在这里通过看上面两个博客的公式明确一下感受野的意义：某一层feature map的感受野的大小是指这一层feature map中的某一个位置的的值与原始图像中多大范围的像素有关，这个范围就是感受野。

在这里插入图片描述
感受野的计算公式如图上，r表示感受野的大小。对于第i层来说：

在这里插入图片描述
所以感受野是指数级增长，feature map 的感受野很快就能达到原始图片的大小。

更新

然而上述分析只是针对理论上的感受野，也就是只要有影响就计入感受野之内。

``Understanding the Effective Receptive Field in Deep Convolutional Neural Networks’’ 分析了实际感受野的大小与形状。该论文涉及大量概率论的推导，这里只放出结论：

  • 感受野的大小的半径是与卷
最低0.47元/天 解锁文章
麒麒哈尔
关注
专栏目录
【深度学习】一张图看懂Receptive Field
shenxiaolu1984的专栏
12-15 1万+
本文尝试用最简明直白的图示，帮助理解和记忆Receptive Field的计算方法。 什么是Receptive Field？ 在CNN中，第n层特征图中一个像素，对应第1层（输入图像）的像素数，即为该层的Receptive Field，简称RF。 基本思路 网络第1层输入，第n" role="presentation" style="position: relative;">nn
卷积神经网络（CNN）技术总结
tyhj_sf的博客空间
11-03 1995
0.CNN发展历史 1.CNN主要概念及知识点 2.一些经典CNN网络的简单总结 3.一些看法
感受野(Receptive Field)
小迷糊的博客
10-03 4820
这个术语涉及的领域众多（所有介绍请查看文末的参考文献），此处主要讨论卷积神经网络(CNNs)中receptive field的概念。 当从CV中看到Receptive Field这个术语时，翻译说是“感受野”，仔细想想这个“野”字是个形容词，似乎有些欠妥当，所以我个人想译成“感受域”，如此可能更能理解些。但不管哪个词，把它当成一个区域，或是一个视野大小就行了；至于翻译问题，暂且不管！ 在neural network context中，receptive field定义为： The receptive
感受野（receptive fields）
guojingjuan的博客
02-16 2887
一般来说，一个 CNN 网络中不同的 layers 有着不同尺寸的 感受野（receptive fields）。 这里的感受野，指的是输出的 feature map 上的一个节点，其对应输入图像上尺寸的大小。具体的感受野的计算，参见两篇 blog： http://blog.csdn.net/kuaitoukid/article/details/46829355http://blog.c
Receptive Field(感受野)的理解
chwei20002005的博客
02-22 1186
基本概念 （1）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). 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。 （2）感受野是指输出特征图中1个像素点，映射到原始图片的区域大小。（更容易理解） （1）为什么神经元无法接收所有的原始图像信息？ 答：网络结构中普遍使用卷积层和
感受野与空洞卷积
dreamer5z的博客
05-05 5736
空洞卷积英文名为Dilated Convolution或Atrous Convolution，即空洞卷积或者扩张卷积。一般情况下，图片输入到网络中，网络将会对图像做卷积再池化（pooling）的操作，pooling的操作即降低了图像尺寸的同时增大感受野。但由于图像分割预测是pixel-wise的输出，所以将pooling后较小的图像上采样（upsampling）到原始的图像尺寸进行预测一般需要采用反卷积（deconv）操作。
李宏毅 - 卷积神经网络（CNN）
qq_43533724的博客
07-29 1342
李宏毅 - 卷积神经网络（CNN） 卷积神经网络主要用于图像分类。一张图片通过我们的卷积神经网络也就是Model计算出概率值，通过Cross entropy (交叉熵)归一化到0和1，概率最大的显示为1，其余显示为0。 那么一张图片是怎么输入到Model里面的呢？我们知道图片是一个三维的tensor(张量)，张量可以理解为超过二维的矩阵。以下图举例我们可以写成（100，100，3）的形式，我们需要把这样的图片转化成一维的形式，也就是一个巨大的向量。这个巨大的向量才可以输入到我们的Model里。 Mode
图像分割-语义分割
qq_41036272的博客
02-09 5169
图像分割-语义分割1.FCN1.1 CNN与FCN的比较1.2 三种上采样方法1.2.1 双线性插值上采样1.2.2 反卷积上采样1.2.3 反池化上采样1.3 FCN-跳层结构（Skip-layer）1.4 FCN架构1.5 FCN训练参数2.DeepLab V12.1 孔（Hole）算法--空洞卷积2.2CRF 条件随机场（可以对比一下graph cut）2.2.1什么是条件随机场2.2.2全连接条件随机场(FC-CRF)2.2.3 FC-CRF在Deeplab的体现3.DeepLab v23.1 AS
卷积神经网络经典结构
最新发布
AI_ayuan的博客
03-10 310
卷积神经网络具有几种基本部件：卷积、汇合、激活函数、全连接层和目标函数。如何“有机组合”才能让模型工作、发挥效能呢？
感受野-Receptive Field的理解
qq_38109282的博客
03-31 963
之前在阅读yolov1的论文时，发现yolov1用到了Resnet，于是找到了Resnet论文，在研究Resnet的时候，发现自己对卷积的相关操作理解还不够深刻，于是研究卷积，发现其中一个比较重要的概念感受野对理解卷积非常重要，于是有了这篇博文。 在深度神经网络中有个概念叫感受野，英文是-Receptive Field，第一次听到这个中译的时候让我感到非常不解，这是个啥玩意？看了英文才知道原意指的是什么。 再有卷积操作的深层神经网络中，卷积层神经元对上一层神经元的感受范围的大小被定义为感受野。 神经元感受野
CNN中的Receptive Field
qq_43060870的博客
01-17 214
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。 第一层的Receptive Field为Kernel Size 第二层开始计算公式：RF = Kernel Size + Stride * (pre_RF - 1)，其中RF当前层的Receptive Field，pre_RF是前一层Receptive Field，Kernel Size为...
卷积神经网络中感受野的详细介绍
热门推荐
Microstrong
07-08 12万+
1. 感受野的概念在卷积神经网络中，感受野（Receptive Field）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，如图1所示。图1：用图形理解感受野概念2. 感受野的例子（1）两层3*3的卷积核卷积操作之后的感受野是5*5，其中卷积核（filter）的步长（stride）为1、pa...
如何计算感受野(Receptive Field)——原理
咸鱼半条
07-10 2万+
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 Fie...
彻底搞懂感受野的含义与计算
zandaoguang的博客
10-12 1021
↑ 点击蓝字关注视学算法作者丨shine-lee来源丨https://www.cnblogs.com/shine-lee/p/12069176.html编辑丨极市平台什么是感受野The...
卷积神经网络物体检测之感受野大小计算
wzy的博客
12-21 7347
学习RCNN系列论文时， 出现了感受野(receptive field)的名词， 感受野的尺寸大小是如何计算的，在网上没有搜到特别详细的介绍， 为了加深印象，记录下自己对这一感念的理解，希望对理解基于CNN的物体检测过程有所帮助。 1 感受野的概念 　　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。
CNN中感受野的计算
kuaitoukid的专栏
07-10 4万+
感受野（receptive field）是怎样一个东西呢，从CNN可视化的角度来讲，就是输出featuremap某个节点的响应对应的输入图像的区域就是感受野。 比如我们第一层是一个3*3的卷积核，那么我们经过这个卷积核得到的featuremap中的每个节点都源自这个3*3的卷积核与原图像中3*3的区域做卷积，那么我们就称这个featuremap的节点感受野大小为3*3 如果再经过pooling
感受野（ Receptive Field）
Man
01-21 1万+
一、理论感受野 1、定义 感受野被定义为卷积神经网络特征所能看到输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响 convNets(cnn)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。 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，也意味着他可能蕴含更为全局、语义层次更高的特征；而值越小则表示其所包含的特征越趋向于局部和细节。因此感受野...
有效感受野--Understanding the Effective Receptive Field in Deep Convolutional Neural Networks
AI小作坊 的博客
08-23 8500
Understanding the Effective Receptive Field in Deep Convolutional Neural Networks NIPS 2016本文主要分析了 CNN 网络中的 Receptive Field，发现实际有效的感受野 和 理论上的感受野 差距比较大，实际有效的感受野是一个高斯分布。We introduce the notion of an eff
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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