Q1：感受野指什么？
A1：（1）从局部理解：（上层->本层）感受野等价与卷积核尺寸。
（2）从全局理解：指输出特征层中一个点映射在原始输入图像中的区域。
Tips：通常感受野指全局理解。
Q2：如何计算一个点映射在原始图像中的区域大小？
A2：（1）常规卷积核
首先需要理解输出feature map大小的计算：其中P = padding, K = kernel_size, S = stride,
自顶向下计算：从输出层反向推导一个点对应输入层的feature map
通过上述公式只能推导出‘该层 的一个点’对应与‘其输入层’的映射区域，若想找到该层此点在原始图像的映射区域，需要依次迭代。
Tips：在反向推导时，网络最终输出层一个点的感受野 = 1。
举个不在边缘的点的栗子，其实你在其他地方也看的到（手动狗头保命），你可以用上述公式验证，验证的过程中你就体会到快乐了！觉得这个栗子看腻了，可以手动试一下位于边缘的点的计算。
（2）带洞卷积（dilation convolutional）
