问题来源
讲论文的时候，突然被别人问到
感受野是个什么东东?
就百度查了一下：
重要知识链接总结
画深度学习的模型图方法：知网链接
神经网络模型图网站：画模型
感受野
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
-
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） -
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）
三、感受野的计算
-
注意：
1、感受野大小的计算方式是从最后一层feature map开始，往下往上的计算方法，即先计算最深层在前一层上的感受野，然后以此类推逐层传递到第一层。
2、感受野大小的计算不考虑padding的大小；
3、最后一层的特征图感受野的大小等于其卷积核的大小（见上面示例图）；
4、第i层特征图的感受野大小和第i层的卷积核大小和步长有关系，同时也与第（i+1）层特征图的感受野大小有关。（为什么？） -
感受野计算公式：
R F i = ( R F i + 1 − 1 ) × stride i + K size R F_{i}=\left(R F_{i+1}-1\right) \times \text { stride }_{i}+K_{\text {size }} RFi=(RFi+1−1)× stride i+Ksize
其中， R F i R F_{i} RFi表示 i i i 层感受野大小， i i i 表示当前特征层的层数， s t r i d e stride stride 是卷积的步长， K size K_{\text{size}} Ksize 是本层卷积核的大小。 -
例子：
从最后一层的Pool3池化层开始计算感受野：
pool3：RF=2（最后一层池化层输出特征图的感受野大小等于卷积核的大小）
conv4：RF =（2 - 1）* 1+3 =4
conv3：RF =（4 - 1）* 1+3 =6
pool2： RF =（6 - 1) * 2+2 =12
conv2：RF =（12-1）* 1+3 =14
pool1： RF =（14-1）* 2+2 =28
conv1：RF =（28-1）* 1+3 =30
因此，pool3输出的特征图在输入图片上的感受野为30*30。
四、感受野的应用
感受野的作用：
1、小尺寸的卷积代替大尺寸的卷积，可减少网络参数、增加网络深度、扩大感受野（例如：3 个 3 * 3 的卷积层的叠加可以替代7*7的卷积），网络深度越深感受野越大性能越好；
2、对于分类任务来说，最后一层特征图的感受野大小要大于等于输入图像大小，否则分类性能会不理想；
3、对于目标检测任务来说，若感受野很小，目标尺寸很大，或者目标尺寸很小，感受野很大，模型收敛困难，会严重影响检测性能；所以一般检测网络anchor的大小的获取都要依赖不同层的特征图，因为不同层次的特征图，其感受野大小不同，这样检测网络才会适应不同尺寸的目标。
