感受野（​​Receptive Field​​）

感受野（​​Receptive Field​​）是卷积神经网络（CNN）中​​一个神经元在输入图像上能“看到”的区域范围​​。简单来说，它表示某个特征图中的像素点，对应原始输入图像中的多大区域。

---

​​举个栗子🌰​​

假设你有一个3×3的卷积核，第一层卷积输出的每个神经元，感受野就是3×3（直接覆盖输入图像的3×3区域）。
如果后续再叠加一个3×3卷积层，第二层神经元的感受野就会扩大到5×5（如下图所示）。
层级越深，感受野越大，网络能“理解”的图像范围越广。

---

​​为什么感受野重要？​​

1. ​​决定网络感知能力​​：
   • 小感受野适合捕捉局部细节（如纹理、边缘）。
   • 大感受野适合理解全局结构（如物体形状、上下文关系）。
2. ​​平衡细节与语义​​：
   浅层网络感受野小，关注局部特征；深层网络感受野大，提取抽象语义。
3. ​​任务适配​​：
   • 目标检测中，感受野需覆盖目标物体大小（如大物体需更大的感受野）。
   • 图像分割中，需同时保留局部细节和全局上下文。

---

​​感受野计算公式​​

对于第层卷积，感受野大小​ 与前一层的关系为：

其中， 是第 i 层的步长，初始输入的感受野 。

​​示例计算​​

假设网络结构如下：

1. 输入图像 → 卷积层1（）
   
2. 卷积层1 → 卷积层2（）
   
3. 卷积层2 → 卷积层3（）
   
   最终第三层的感受野为9×9。

---

​​增大感受野的方法​​

方法	原理	特点
​​加深网络​​	堆叠更多卷积层	自然扩大，但增加计算量
​​增大卷积核​​	直接使用更大的kernel（如5×5）	简单暴力，可能参数量大
​​空洞卷积​​	在卷积核中插入空洞（dilation）	不增加参数，扩大感受野
​​池化层​​	通过下采样（如最大池化）间接扩大	牺牲空间分辨率

---

​​实际应用技巧​​

1. ​​目标检测网络设计​​：YOLO、Faster R-CNN 通过多尺度特征融合，兼顾不同感受野。
2. ​​语义分割优化​​：使用空洞卷积（如DeepLab系列）保持高分辨率的同时扩大感受野。
3. ​​可视化工具​​：用代码库（如receptivefield）计算各层感受野。

---

​​一句话总结​​

感受野决定了神经网络“看得有多广”，是平衡局部细节与全局语义的关键参数。