CNN中的receptive filed（感受野）

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。

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：

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积层数n的开根号成正比$\sqrt{n}$，其中感受野的定义并非是理论感受野，而是实际感受野，对输出单元产生一定影响的输入，文中一定影响是指 pixel with value greater than 1−95.45% of center point is considered as in ERF
• 感受野的分布于高斯分布类似
• 感受野是随着训练过程而扩大的