卷积神经网络中感受野的详细介绍

原文链接： https://blog.csdn.net/program_developer/article/details/80958716

输入图像通过特定卷积核完成卷积处理后，卷积结果就是你需要提取的特征，也就是感受野，通过叫局部感受野。就好像人通过眼睛找一个特定东西一样。

一、感受野的概念

在卷积神经网络中，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，如图1所示

二、感受野的例子

1. 两层33的卷积核卷积操作之后的感受野是55，其中卷积核（filter）的步长（stride）为1、padding为0，如图2所示：
   
2. 三层33卷积核操作之后的感受野是77，其中卷积核的步长为1，padding为0，如图3所示：
   

三、感受野的计算

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：
   

四、计算VGG16网络每层的感受野

1. 引例
   VGG16网络有点复杂，我们先来计算一个简单的例子，先学会计算感受野，在来分析复杂的网络
   
   
2. VGG16网络每层感受野计算
   
   
   因此我们可以得出：pool5输出的特征图在输入图片上的感受野为212212；conv5_3输出的特征图在输入图片上的感受野为196196，其它层依次类推。