卷积神经网络感受野详解与计算实战

卷积神经网络感受野详解与计算实战

在卷积神经网络（CNN）中，**感受野（Receptive Field）**是一个核心概念。简单来说，它指的是输出特征图（Feature Map）上某一个像素点，对应到原始输入图像上的区域大小。通俗理解就是，特征图上的一个点'看'到了输入图的哪一块区域。

直观示例

我们可以通过简单的卷积操作来观察感受野的变化规律。假设使用步长（stride）为 1、填充（padding）为 0 的 3x3 卷积核：

1. 两层 3x3 卷积：经过两次 3x3 卷积后，最终输出的特征图上一点，对应的输入区域变为 5x5。
2. 三层 3x3 卷积：再增加一层同样的卷积，感受野会扩大到 7x7。

这种叠加效应意味着，随着网络层数加深，每个神经元能'看到'的输入范围越来越大，这对捕捉全局信息至关重要。

感受野的计算逻辑

计算感受野时，我们通常采用从最后一层向前推导的方法。这里有几个关键点需要注意：

• 最后一层（无论是卷积还是池化）的输出特征图，其感受野大小等于该层的卷积核大小。
• 第 i 层的感受野不仅取决于本层的卷积核大小和步长，还依赖于第 i+1 层的感受野。
• 计算过程中通常忽略边缘 padding 的影响，专注于核心区域的映射。

具体的递推公式如下：

$$ RF_i = (RF_{i+1} - 1) \times stride_i + Ksize_i $$

其中：

• $RF_i$：第 i 层的感受野大小
• $RF_{i+1}$：第 i+1 层的感受野大小
• $stride_i$：第 i 层的步长
• $Ksize_i$：第 i 层的卷积核大小

这个公式体现了'回溯'的思想：要算出当前层能看到多大，得先知道下一层能看到多大，再结合当前层的步长和核大小进行扩展。

实战：VGG16 网络感受野计算

理论懂了，我们来看个实际案例。VGG16 结构相对复杂，为了演示清楚，我们先拆解它的层级结构，从后往前推算。

假设我们关注的是 VGG16 中 pool3 之前的感受野变化：

1. pool3 层：作为最后一层池化，其输出特征图的感受野直接等于卷积核大小，即 2。
2. conv4 层：基于上一层的 RF=2，步长为 1，核大小为 3。计算：$(2-1) \times 1 + 3 = 4$。
3. conv3 层：上一层 RF=4，步长 1，核大小 3。计算：$(4-1) \times 1 + 3 = 6$。
4. pool2 层：上一层 RF=6，步长 2，核大小 2。计算：$(6-1) \times 2 + 2 = 12$。
5. conv2 层：上一层 RF=12，步长 1，核大小 3。计算：$(12-1) \times 1 + 3 = 14$。
6. pool1 层：上一层 RF=14，步长 2，核大小 2。计算：$(14-1) \times 2 + 2 = 28$。
7. conv1 层：上一层 RF=28，步长 1，核大小 3。计算：$(28-1) \times 1 + 3 = 30$。

因此，pool3 输出的特征图在原始输入图片上的感受野为 30x30。这意味着网络在这一层已经能够感知到输入图像 30x30 像素范围内的上下文信息。

补充：关于 Feature Map 的理解

在深入 CNN 时，理解 Feature Map 也很重要。每一层卷积处理的数据都是三维的，可以想象成许多张二维图片叠在一起形成的'豆腐块'。

• 生成方式：输入如果是灰度图，只有一个 Feature Map；如果是 RGB 彩色图，通常有 3 个（对应红绿蓝通道）。
• 作用：每一个 Feature Map 代表提取出的某种特定特征，随着网络加深，这些特征会从边缘、纹理逐渐抽象为语义信息。

掌握感受野的计算方法，有助于我们在设计网络架构时更好地控制模型的视野范围，平衡局部细节与全局信息的获取。