感受野面试+计算_相对感受野

1. 什么是感受野？
当前网络输出的feature maps的每个像素值的生成受输入图像中多大范围像素值的影响。（网络输出的feature maps的每个像素点在输入图像上的映射区域的大小）

2. 感受野的意义
生成特征能够利用的全局信息，一般的网络都会在控制参数的前提下不断增大感受野，如利用空洞卷积。
一个好的分类网络应该具有两种能力：
1.能够具有学习复杂特征的表征能力。
2.感受野不超过输入图像的大小，也不小于分类目标的大小。

3.感受野的计算。
R_n为当前感受野
R_(n-1)为上一层感受野
K_n为当前的卷积核的大小
S_i为之前第i个卷积核的stride
意义为当前的featur map的一个像素的产生为上一层k个像素的卷积
所以当前感受野为上一层第一个像素的感受野+（k-1）个像素扫过的区域（之前所有所有S的总的乘积）
( 当前感受野为感受野里的第一个像素所对应的感受野加上（K-1）的像素扫过的面积)

感受野的计算是从第一层
n=1
R_0 = 1

4. VGG为什么用两个3x3的卷积代替5x5的卷积核？

• 两个k=3x3，s=1的卷积核的感受野等于k=5x5，s=1的卷积核的感受野。（3个3x3等于7x7）
• 参数量更小
• 经历更多的激活函数，可以增加网络的非线性，使网络具有学习更复杂特征的能力
• 选用3x3是因为这是最小捕捉像素八邻域的尺寸
• 缺点就是可能消耗更多的内存

5. 为什么使用1x1的卷积核？

• 降低通道数。1x1的卷积核可以只改变通道个数，而不改变分辨率。而池化只改变分辨率，不改变通道个数。
• 1x1的卷积核的卷积计算相当于接入全连接层的卷积运算，并且加入了激活函数，增加了网络的非线性。
• 跨通道信息融合。

6.同一个感受野中的像素对后面特征的生成的影响力是否一致？
不一致，越靠近该像素感受野的中心，像素的对后面特征的产生的影响越大

这里x_11只能通过影响o_11去影响最后一个
而x_33可以通过影响这个6个去影响最后一个

7. 感受野的应用

• 多尺度
• 空间金字塔的各种变形
• 检测中放置anchor层的特征感受野应该跟anchor大小相匹配

8.相对感受野的计算
相对感受野是从下往上推的
公式为

具体可以参考下方链接

深度学习面试题——感受野
彻底搞懂感受野的含义与计算
为什么感受野计算公式这样写