感受野

程序员非鱼

深度学习中的感受野：从基础概念到多层次特征提取在深度学习，特别是计算机视觉任务中，感受野（Receptive Field）是一个至关重要的概念。它指的是在神经网络中某一层的神经元在输入图像上“看到”的区域大小。感受野的大小影响了网络能捕捉的特征层级，从而决定了它的特征提取能力。因此，理解感受野如何逐层扩展、如何对不同特征进行分级，是深入理解深度学习图像处理的关键。本文将通过一个分层特征提取示例，解释感受野在多层卷积操作中的变化过程，并展示如何利用感受野进行多尺度特征提取。

1.2 在卷积神经网络中，如何计算各层感受野的大小在卷积神经网络中，由于卷积的局部连接性，输出特征图上的每个节点的取值，是由卷积核在输入特征图对应位置的局部区域内进行卷积而得到的，因此这个节点的取值会受到该卷积层的输入特征图，也就是上一层的输出特征图上的某个局部区域内的值的影响，而上一层的输出特征图上的每一点的值亦会受到上上一层某个区域的影响。

图像卷积操作目录一、互相关运算二、卷积层三、图像中目标的边缘检测四、学习卷积核五、特征映射和感受野严格来说，卷积层是个错误的叫法，因为它所表达的运算其实是互相关运算（cross-correlation），而不是卷积运算。在卷积层中，输入张量和核张量通过互相关运算产生输出张量。