2020-12-09 深度学习 卷积神经网络中感受野的详细介绍
卷積神經網絡中感受野的詳細介紹
1. 感受野的概念
在卷積神經網絡中，感受野（Receptive Field）的定義是卷積神經網絡每一層輸出的特征圖（feature map）上的像素點在輸入圖片上映射的區域大小。再通俗點的解釋是，特征圖上的一個點對應輸入圖上的區域，如圖1所示。
圖1：用圖形理解感受野概念
?
2. 感受野的例子
（1）兩層3*3的卷積核卷積操作之后的感受野是5*5，其中卷積核（filter）的步長（stride）為1、padding為0，如圖2所示：
圖2：兩層3*3卷積核操作之后的感受野是5*5
（2）三層3*3卷積核操作之后的感受野是7*7，其中卷積核的步長為1，padding為0，如圖3所示：
? ? ? ? ? ? ? ? ? ? ? ? ? ??
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?圖3：三層3*3卷積核操作之后的感受野是7*7
3. 感受野的計算
感受野計算時有下面幾個知識點需要知道：
- . 最后一層（卷積層或池化層）輸出特征圖感受野的大小等于卷積核的大小。
- . 第i層卷積層的感受野大小和第i層的卷積核大小和步長有關系，同時也與第（i+1）層感受野大小有關。
- . 計算感受野的大小時忽略了圖像邊緣的影響，即不考慮padding的大小。
關于感受野大小的計算方式是采用從最后一層往下計算的方法，即先計算最深層在前一層上的感受野，然后逐層傳遞到第一層，使用的公式可以表示如下：
其中，是第i層卷積層的感受野，是（i+1）層上的感受野，stride是卷積的步長，Ksize是本層卷積核的大小。
?
4. 計算VGG16網絡每層的感受野
（1）引例。
VGG16網絡有點復雜，我們先來計算一個簡單的例子，先學會計算感受野，在來分析復雜的網絡。
圖4：簡單的網絡結構
我們從最后一層的池化層開始計算感受野：
pool3：RF=2（最后一層池化層輸出特征圖的感受野大小等于卷積核的大小）
conv4：RF=（2-1）*1+3=4。
conv3：RF=（4-1）*1+3=6。
pool2：RF=（6-1）*2+2=12。
conv2：RF=（12-1）*1+3=14。
pool1：RF=（14-1）*2+2=28。
conv1：RF=（28-1）*1+3=30。
因此，pool3輸出的特征圖在輸入圖片上的感受野為30*30。
（2）VGG16網絡每層感受野計算
圖5：VGG16網絡結構
在VGG16網絡中，我們從全連接層開始倒推，直到輸入層，過程如下：
pool5：RF=2。（最后一層池化層輸出特征圖感受野的大小等于卷積核的大小）
conv5_3：RF=（2-1）* 2+2=4。
conv5_2：RF=（4-1）*1+3=6。
conv5_1：RF=（6-1）*1+3=8。
pool4：RF=（8-1）*2+2=16。
... ... ... ... ... ... ...
類推...
因此我們可以得出：pool5輸出的特征圖在輸入圖片上的感受野為212*212；conv5_3輸出的特征圖在輸入圖片上的感受野為196*196，其它層依次類推。
圖6：VGG16網絡感受野計算結果
5.Reference
?
【1】卷積神經網絡物體檢測之感受野大小計算 - machineLearning - 博客園
http://www.cnblogs.com/objectDetect/p/5947169.html
【2】對CNN感受野一些理解 - CSDN博客
https://blog.csdn.net/u010725283/article/details/78593410/
【3】感受野的詳細介紹 - CSDN博客
https://blog.csdn.net/weixin_39912556/article/details/78366287?locationNum=2&fps=1
【4】無痛理解CNN中的感受野receptive field
https://zhuanlan.zhihu.com/p/22627224
【5】Receptive field(感受野)
https://www.jianshu.com/p/2b968e7a1715
【6】CNN中感受野的計算 - CSDN博客
https://blog.csdn.net/kuaitoukid/article/details/46829355
?
總結
以上是生活随笔為你收集整理的2020-12-09 深度学习 卷积神经网络中感受野的详细介绍的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Keras tensorflow Res
- 下一篇： 2020-12-09 深度学习 卷积核/