Receptive field in CNNs

2018-10-26 本文已影响0人醒醒去睡吧

建议先阅读A guide to convolution arithmetic for deep learning 论文笔记

感受野（receptive field）：卷积网络中某非输入层的feature map中的神经元（像素点）映射到输入feature map上的区域大小。
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).

一个感受野可以用中心位置(center location)和大小(size)来表征。然而，对于一个CNN特征来说，感受野中的每个像素值（pixel）并不是同等重要。一个像素点越接近感受野中心，它对输出特征的计算所起作用越大。这意味着某一个特征不仅仅是受限在输入图片中某个特定的区域（感受野），并且呈指数级聚焦在区域的中心。

Receptive Field Arithmetic 感受野计算公式

$r$ : receptive field size
$j$ : the distance between two adjacent features (or jump)
$start$ : the center coordinate of the upper left feature (the first feature)
$j_{out}=j_{in}*s$
$r_{out}=i_{in}+(k-1)*j_{in}$
$start_{out}=start_{in}+(\frac{k-1}{s}-p)*j_{in}$

使用感受野公式计算感受野信息

附文

另外有一个博客（Calculating Receptive Field of CNN）给出一个更简洁的计算公式，对于第 $k$ 层的感受野大小计算如下：
$l_k=l_{k-1}+((f_k-1)*\prod_{i=1}^{k-1}s_i)$
$l_k$ : 第 $k$ 层感受野大小
$f_k$ : 第 $k$ 层的卷积核大小
$s_i$ : 第 $i$ 层的步长
其实这个公式算是整合了前面的公式1和公式2，两个本质上是一致的，不过如果你仅想计算感受野大小可以用这个公式更方便。

Reference：

Receptive field in CNNs

Receptive Field Arithmetic 感受野计算公式

附文

猜你喜欢

热点阅读