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)