CNN中的receptive filed(感受野)
发布日期:2021-09-16 07:32:02
浏览次数:2
分类:技术文章
本文共 748 字,大约阅读时间需要 2 分钟。
英文链接
https://medium.com/mlreview/a-guide-to-receptive-field-arithmetic-for-convolutional-neural-networks-e0f514068807 中文翻译 https://blog.csdn.net/u010532666/article/details/79082879通过卷积和池化层,CNN越上层的feature map越小,其感受野越大,在这里通过看上面两个博客的公式明确一下感受野的意义:某一层feature map的感受野的大小是指这一层feature map中的某一个位置的的值与原始图像中多大范围的像素有关,这个范围就是感受野。
感受野的计算公式如图上,r表示感受野的大小。对于第i层来说: 所以感受野是指数级增长,feature map 的感受野很快就能达到原始图片的大小。更新
然而上述分析只是针对理论上的感受野,也就是只要有影响就计入感受野之内。
``Understanding the Effective Receptive Field in Deep Convolutional Neural Networks’’ 分析了实际感受野的大小与形状。该论文涉及大量概率论的推导,这里只放出结论:
- 感受野的大小的半径是与卷积层数n的开根号成正比 n \sqrt n n,其中感受野的定义并非是理论感受野,而是实际感受野,对输出单元产生一定影响的输入,文中一定影响是指 pixel with value greater than 1−95.45% of center point is considered as in ERF
- 感受野的分布于高斯分布类似
- 感受野是随着训练过程而扩大的
转载地址:https://blog.csdn.net/wqwqqwqw1231/article/details/98850062 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
逛到本站,mark一下
[***.202.152.39]2024年03月22日 21时30分40秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
AngularJS学习之三:学习Angular
2019-04-26
AngularJS学习:Angular的模块
2019-04-26
Angular学习:控制器(未翻译完)
2019-04-26
Angular学习:$q
2019-04-26
XML节点和元素的关系
2019-04-26
JavaScript---网络编程(9-2)--DHTML技术演示(2-2)-表格加强
2019-04-26
机器学习笔记(七)机器学习(L1,L2正则化----处理过拟合问题)
2019-04-26
机器学习笔记(八) 机器学习(逻辑回归-----计算概率)
2019-04-26
机器学习笔记(九)机器学习(运用逻辑回归解决分类问题)
2019-04-26
机器学习笔记(十)机器学习(神经网络基本知识)
2019-04-26
机器学习笔记(十一) 机器学习( 训练神经网络)
2019-04-26
机器学习笔记(十二)机器学习(多类别神经网络,softmax)
2019-04-26
机器学习笔记(十三)机器学习(卷积神经网络CNN基本认知)
2019-04-26
Machine Learning吴恩达视频课(绪论,单变量线性回归,梯度下降)
2019-04-26
Machine Learning吴恩达视频课(线性代数)
2019-04-26
Android Studio3.3安装配置(windows)
2019-04-26
Android Studio adb手机调试步骤
2019-04-26
关于级联分类器检测框的输出尺寸
2019-04-26