感受野（??Receptive Field??）是卷積神經網絡（CNN）中??一個神經元在輸入圖像上能“看到”的區域范圍??。簡單來說，它表示某個特征圖中的像素點，對應原始輸入圖像中的多大區域。
??舉個栗子🌰??
假設你有一個3×3的卷積核，第一層卷積輸出的每個神經元，感受野就是3×3（直接覆蓋輸入圖像的3×3區域）。
如果后續再疊加一個3×3卷積層，第二層神經元的感受野就會擴大到5×5（如下圖所示）。
層級越深，感受野越大，網絡能“理解”的圖像范圍越廣。
??為什么感受野重要？??
- ??決定網絡感知能力??：
- 小感受野適合捕捉局部細節（如紋理、邊緣）。
- 大感受野適合理解全局結構（如物體形狀、上下文關系）。
- ??平衡細節與語義??：
淺層網絡感受野小，關注局部特征；深層網絡感受野大，提取抽象語義。 - ??任務適配??：
- 目標檢測中，感受野需覆蓋目標物體大小（如大物體需更大的感受野）。
- 圖像分割中，需同時保留局部細節和全局上下文。
??感受野計算公式??
對于第層卷積，感受野大小
??與前一層的關系為：
其中，?是第?i?層的步長，初始輸入的感受野?
。
??示例計算??
假設網絡結構如下：
- 輸入圖像 → 卷積層1（
）
- 卷積層1 → 卷積層2（
）
- 卷積層2 → 卷積層3（
最終第三層的感受野為9×9。
??增大感受野的方法??
| 方法 | 原理 | 特點 |
|---|---|---|
| ??加深網絡?? | 堆疊更多卷積層 | 自然擴大，但增加計算量 |
| ??增大卷積核?? | 直接使用更大的kernel（如5×5） | 簡單暴力，可能參數量大 |
| ??空洞卷積?? | 在卷積核中插入空洞（dilation） | 不增加參數，擴大感受野 |
| ??池化層?? | 通過下采樣（如最大池化）間接擴大 | 犧牲空間分辨率 |
??實際應用技巧??
- ??目標檢測網絡設計??：YOLO、Faster R-CNN 通過多尺度特征融合，兼顧不同感受野。
- ??語義分割優化??：使用空洞卷積（如DeepLab系列）保持高分辨率的同時擴大感受野。
- ??可視化工具??：用代碼庫（如
receptivefield）計算各層感受野。
??一句話總結??
感受野決定了神經網絡“看得有多廣”，是平衡局部細節與全局語義的關鍵參數。
