感受野基本概念

在卷积神经网路中，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。

一个例子：

（1）两层3*3的卷积核卷积操作之后的感受野是5*5，其中卷积核（filter）的步长（stride）为1、padding为0。如图1。

图1

（2）三层3*3卷积核操作之后的感受野是7*7，其中卷积核的步长为1，padding为0。如图2。

图2

计算公式：

感受野计算时有下面几个知识点需要知道：

1. 最后一层（卷积层或池化层）输出特征图感受野的大小等于卷积核的大小。

2.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。

3.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。

关于感受野大小的计算方式是采用从最后一层往下计算的方法，即先计算最深层在前一层上的感受野，然后逐层传递到第一层，使用的公式可以表示如下：

其中，是第i层卷积层的感受野，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。 

感受野的几点总结

1.输出feature map上的一个单元对应输入层 上的区域大小

2.感受野的增速是直接和卷积步长累乘相关，想要网络更快速的达到某个感受野尺度，可以让步长大于1的卷积核更靠前，这样可以增加网络推理速度，特增图的分辨率会迅速变小

3.当有效感受野的区域能够覆盖全图时，这时的特征表达能力是最好的（有效感受野跟关注中间的内容）