Receptive field in CNNs
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
: receptive field size
: the distance between two adjacent features (or jump)
: the center coordinate of the upper left feature (the first feature)
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,对于第层的感受野大小计算如下:
: 第层感受野大小
: 第层的卷积核大小
: 第层的步长
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: