如何做企业网站规划,苏州品牌网站设计,重庆铜牌制作,千锋教育官方网深度神经网络中的感受野(Receptive Field) 本文转载自知乎#xff1a;深度神经网络中的感受野(Receptive Field) - 蓝木达的文章 - 知乎 在机器视觉领域的深度神经网络中有一个概念叫做感受野#xff0c;用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元…深度神经网络中的感受野(Receptive Field) 本文转载自知乎深度神经网络中的感受野(Receptive Field) - 蓝木达的文章 - 知乎 在机器视觉领域的深度神经网络中有一个概念叫做感受野用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知是因为在这些网络结构中普遍使用卷积层和pooling层在层与层之间均为局部相连通过sliding filter。神经元感受野的值越大表示其能接触到的原始图像范围就越大也意味着他可能蕴含更为全局、语义层次更高的特征而值越小则表示其所包含的特征越趋向于局部和细节。因此感受野的值可以大致用来判断每一层的抽象层次。
那么这个感受野要如何计算呢我们先看下面这个例子。 可以看到在Conv1中的每一个单元所能看到的原始图像范围是3*3而由于Conv2的每个单元都是由 2×2 范围的Conv1构成因此回溯到原始图像其实是能够看到 5×5 的原始图像范围的。因此我们说Conv1的感受野是3Conv2的感受野是5. 输入图像的每个单元的感受野被定义为1这应该很好理解因为每个像素只能看到自己。
通过上图这种图示的方式我们可以“目测”出每一层的感受野是多大但对于层数过多、过于复杂的网络结构来说用这种办法可能就不够聪明了。因此我们希望能够归纳出这其中的规律并用公式来描述这样就可以对任意复杂的网络结构计算其每一层的感受野了。那么我们下面看看这其中的规律为何。
由于图像是二维的具有空间信息因此感受野的实质其实也是一个二维区域。但业界通常将感受野定义为一个正方形区域因此也就使用边长来描述其大小了。在接下来的讨论中本文也只考虑宽度一个方向。
接下来我们使用一种并不常见的方式来展示CNN的层与层之间的关系
