理论学习:感受野

参考链接:

安全验证 - 知乎

一、感受野的概念

感受野(Receptive Field)的定义:卷积神经网络每一层输出的特征图(feature map)上的像素点映射回输入图像上的区域大小。通俗点的解释是,特征图上一点,相对于原图的大小,也是卷积神经网络特征所能看到输入图像的区域。

二、举例说明

(1)若输入图像的尺寸大小是5*5,经过两次3*3的卷积核(其中stride=1,padding=0)后,其感受野大小为5*5,如下图所示:

(由卷积计算公式:N=(W-F+2P)/S+1,得到第一次卷积后的图像大小为3*3,第二次卷积后的图像大小为1*1)

(2)若输入图像的尺寸大小是7*7,经过三次3*3的卷积核(其中stride=1,padding=0)后,其感受野大小为7*7,如下图所示:

(由卷积计算公式:N=(W-F+2P)/S+1,得到第一次卷积后的图像大小为5*5,第二次卷积后的图像大小为3*3,第三次卷积后的图像大小为1*1)

也就是说,随着卷积核的增多(即网络的加深),感受野会越来越大。

相关推荐
小凯123451 小时前
pytest框架-详解(学习pytest框架这一篇就够了)
python·学习·pytest
今儿敲了吗2 小时前
29| 高考志愿
c++·笔记·学习·算法
龙腾AI白云2 小时前
多模态大模型的统一表征与推理范式
深度学习·数据挖掘
ppppppatrick2 小时前
【深度学习基础篇00】什么是深度学习?从单神经元到张量运算的入门全解
人工智能·深度学习
Dev7z2 小时前
基于深度学习电梯扶梯危险行为检测系统的设计与实现
人工智能·深度学习·电梯扶梯·扶梯危险行为
浅念-2 小时前
C++ 模板进阶
开发语言·数据结构·c++·经验分享·笔记·学习·模版
有为少年3 小时前
从独立性、相关性到复杂动力系统
人工智能·深度学习·机器学习·数学建模
人工智能培训3 小时前
超级人工智能(AGI)是否是大模型的必然发展方向?
人工智能·深度学习·逻辑回归·agi·具身智能·大模型应用工程师·企业ai培训
mightbxg4 小时前
【学习一下】深入理解交叉熵
人工智能·学习·机器学习
响叮当!4 小时前
大模型输出的全过程
人工智能·深度学习·机器学习