感受野:
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。
2. 感受野的例子
三层33卷积核操作之后的感受野是77,其中卷积核的步长为1,padding为0,如图2所示:经过三次卷积,卷积得到特征图从左到右为第一层、第二层、第三层特征图。
感受野计算时有下面几个知识点需要知道:
. 下一层输出特征图相较于上一层输出特征图感受野的大小等于卷积核的大小。
. 第i层卷积层的感受野大小和第i层的卷积核大小和步长有关系,同时也与第(i+1)层感受野大小有关。
. 计算感受野的大小时忽略了图像边缘的影响,即不考虑padding的大小。
下一层相对于上一层感受野为其卷积核大小:第三层相较于第二层感受野大小3X3(conv3前后),第二层相较于第一层感受野大小3X3(conv2前后),第二层相较于第一层感受野大小3*3(conv1前后)
关于感受野大小的计算方式是采用从最后一层往上计算的方法,**即先计算最后一层在前一层上的感受野,然后逐层传递到第一层,得到最后一层相对于输入的感受野,**使用的公式可以表示如下:
其中,RFi是第i层卷积层的感受野,RFi+1是(i+1)层上的感受野,stride是卷积的步长,Ksize是本层卷积核的大小。
对图二内容来说:计算最后一层(第三层)特征图相较于输入的感受野步骤:
conv3: RF3 = 3 即第三层特征图相较于第二层的感受野为卷积核的大小3
conv2: RF2 = (3-1)*1+3 = 5 即第三层特征图相较于第一层特征图的感受野为5
conv1: RF1 = (5-1) *1 +3 = 7 即第三层特征图相较于输入的感受野为7
同理若计算第二层特征图相较于输入:
conv2:先计算第二层相较于第一层:为卷积核大小 = 3
conv1:第二层相较输入:(3-1)*1 + 3 = 5 即第二层特征图相较于输入的感受野为5.