深度学习:感受野的理解

        感受野（receptive field，RF）是CNN中最重要的概念之一，从文献上来看，它应当引起足够的重视。

       目前所有最好的图像识别方法都是在基于感受野理念来设计模型架构。就如上SSD和Faster RCNN。理解好感受野的本质我觉的有两个好处。一，理解卷积的本质；二，更好的理解CNN的整个架构。

        含义：在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野。我们看这段定义非常简单，用数学的语言就是感受野是CNN中的某一层输出结果的一个元素对应输入层的一个映射。再通俗点的解释是，feature map上的一个点对应输入图上的区域。

        CNN卷积的过程，特征图的大小逐渐变小，一个特征表示的信息量越来越大，这不就是有点压缩的意思嘛。将原图感兴趣的信息提取出来，不关注的统统抛掉。提的过程就是CNN的前向传播，抛的过程就是CNN的反馈学习。

 

 

附：感受野的计算：https://blog.csdn.net/u010725283/article/details/78593410