CNN中感受野的计算
2017-03-20 23:46
246 查看
感受野(receptive field)是怎样一个东西呢,从CNN可视化的角度来讲,就是输出featuremap某个节点的响应对应的输入图像的区域就是感受野。
比如我们第一层是一个3*3的卷积核,那么我们经过这个卷积核得到的featuremap中的每个节点都源自这个3*3的卷积核与原图像中3*3的区域做卷积,那么我们就称这个featuremap的节点感受野大小为3*3
如果再经过pooling层,假定卷积层的stride是1,pooling层大小2*2,stride是2,那么pooling层节点的感受野就是4*4
有几点需要注意的是,padding并不影响感受野,stride只影响下一层featuremap的感受野,size影响的是该层的感受野。
至于如何计算感受野,我的建议是top to down的方式。下面我拿一个例子来算算
pool3的一个输出对应pool3的输入大小为2*2
依次类推,对应conv4的输入为4*4,因为2*2的每个角加一个3*3的卷积核,就成了4*4,当然这是在stride=1的情况下才成立的,但是一般都是stride=1,不然也不合理
对应conv3的输入为6*6
对应pool2的输入为12*12
对应conv2的输入为14*14
对应pool1的输入为28*28
对应conv1的输入为30*30
所以pool3的感
84da
受野大小就是30*30
比如我们第一层是一个3*3的卷积核,那么我们经过这个卷积核得到的featuremap中的每个节点都源自这个3*3的卷积核与原图像中3*3的区域做卷积,那么我们就称这个featuremap的节点感受野大小为3*3
如果再经过pooling层,假定卷积层的stride是1,pooling层大小2*2,stride是2,那么pooling层节点的感受野就是4*4
有几点需要注意的是,padding并不影响感受野,stride只影响下一层featuremap的感受野,size影响的是该层的感受野。
至于如何计算感受野,我的建议是top to down的方式。下面我拿一个例子来算算
pool3的一个输出对应pool3的输入大小为2*2
依次类推,对应conv4的输入为4*4,因为2*2的每个角加一个3*3的卷积核,就成了4*4,当然这是在stride=1的情况下才成立的,但是一般都是stride=1,不然也不合理
对应conv3的输入为6*6
对应pool2的输入为12*12
对应conv2的输入为14*14
对应pool1的输入为28*28
对应conv1的输入为30*30
所以pool3的感
84da
受野大小就是30*30
相关文章推荐
- CNN 感受野大小计算
- CNN中感受野的计算
- CNN 感受野计算
- CNN中感受野(receptive field)及计算
- CNN中感受野的计算
- CNN中感受野的计算
- CNN中感受野(receptive field)及计算
- CNN网络中,feature map感受野的计算
- CNN中感受野(receptive field)计算及一层输入和输出size之间的关系计算
- CNN中感受野的计算
- CNN中感受野的计算
- CNN结构理解:感受野的计算方式
- CNN中感受野的计算
- CNN中感受野的计算
- CNN中感受野的计算
- CNN中感受野的计算
- (Tensorflow之十一)cnn卷积神经网络LeNet-5模型以及卷积核的计算
- 【深度学习-CNN】CNN中的参数与计算量
- CNN光流计算--FlowNet: Learning Optical Flow with Convolutional Networks
- GPU对CNN计算的加速原理到底是怎样的?