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:

  1. A guide to receptive field arithmetic for Convolutional Neural Networks
  2. 你知道如何计算CNN感受野吗?这里有一份详细指南
上一篇下一篇

猜你喜欢

热点阅读