如何计算深度学习网络中的感受野(Receptive Field)(以DenseBox中的网络为例)

最新推荐文章于 2025-08-24 21:06:27 发布
原创 最新推荐文章于 2025-08-24 21:06:27 发布 · 741 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#receptive field #感受野

本文介绍了计算深度学习网络中感受野的方法，并以DenseBox目标检测模型中的conv3_4层为例进行详细说明。利用历史所有层的stride乘积和当前层的kernel size，可以确定Receptive Field大小。在DenseBox的VGG19 backbone中，conv3_4层的感受野为48 * 48。

 

1. Receptive Field 计算方法

当前层的stride: 历史所有层的stride的乘机

当前层的Receptive Field:  RF = last_RF + (ksize - 1) * history_stride, 其中, last_RF为上一层的Receptive Field, ksize为当前层的kernel size, history_stride为历史积累的stride(不包括当前层的stride).

 

2. 以DenseBox目标检测中的为例进行说明

DenseBox是百度发表的一篇针对Object Detection的paper, 网络的backbone是VGG19.

这里以paper中描述的conv3_4为例进行说明, 论文中指出conv3_4的感受野为48 * 48.

计算过程如下:

Conv Nameksizestridehistory_stridelast_RFRF
Input--------1
conv1_131113
conv1_231135
pool122156
conv2_1312610
conv2_23121014
pool22221416
conv3_13141624
conv3_23142432
conv3_33143240
conv3_43144048
pool32244852
conv4_13185268
conv4_23186884
conv4_331884

100

conv4_4318100116

DenseBox中给出conv4_4的感受野是大概是118 * 118, 与本文计算的差不多.

 

[Reference]

[1] http://shawnleezx.github.io/blog/2017/02/11/calculating-receptive-field-of-cnn/

holmes_MX
关注
细说卷积神经网络（CNN）中所谓的“感受野”（Receptive Field）
NorthSmile的博客
09-08 1万+
1）输入结果感受野一致的前提下，使用连续的小卷积核替换单个大卷积核，第一可以有效降低网络训练的参数量，第二可以增加网络深度，第三可以引入更丰富的非线性变换，使得网络可以拟合更多的可能性，更好地缓解过拟合；输入（C，7,7），对于最终的输出其感受野为（7,7），假设每个卷积层的输出通道数均为C，我们看一下各自的参数量：（1）使用连续的3个（3,3）卷积，其参数量为：（3×3×C）×C×3=27×C×C（2）使用一个（7,7）卷积，其参数量为：(7×7×C)×C=49×C×C。
神经网络感受野（receptive field）推到分析与计算（总结）
科研学习笔记！
06-15 1816
经典目标检测和最新目标跟踪都用到了RPN(region proposal network)，锚框(anchor)是RPN的基础，感受野(receptive field, RF)是anchor的基础。 在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 例如1：原始图像为 5 x 5 ，卷积核（Kernel Size）为 3 x 3 ，padding 为 1 ，stride为 2 ，依照此卷积规则，连续做两次卷积。熟悉卷积过程的
DenseBox：思想超前的早期Anchor-free研究 | CVPR 2015
晓飞的算法工程笔记
07-09 453
DenseBox检测算法的设计十分超前，如今很多Anchor-free方法有其影子，如果当时不是比Faster R-CNN晚了一点出现，可能目标检测领域很早就开始往Anchor-free的方向发展了   来源：晓飞的算法工程笔记 公众号 论文: DenseBox: Unifying Landmark Localization withEnd to End Object Detection 论文地址：https://arxiv.org/abs/1509.04874 Introduction   D.
DenseBox
Bruce_0712的博客
11-04 1222
百度IDL作品，论文格式有点像NIPS；一作黄李超，当年在IDL实习做出的Densebox，现在在地平线；三作邓亚峰，在清华一直研究人脸方向，百度做到了科学家，现在格灵深瞳CTO； DenseBox在15年初就做出来了，时间比frcnn还早点，只不过写完论文挂在arxiv上的时间比较晚；三年后再学习这篇论文，也觉得有很多优秀的创新，毕竟现在sota的检测方法都是anchor-based的2-stage方法，在15年frcnn还未能一统江湖的时代，DenseBox提出的anchor-free思路算是目.
DenseBox：地标定位与端到端目标检测的统一
qq_41931091的博客
04-03 772
DenseBox
DenseBox论文解读
qq_38289371的博客
06-07 921
DenseBox论文解读
深度学习中CNN网络的感受野计算（Calculating Receptive Field of CNN）
jsk_learner的博客
10-18 1323
CNN的感受野计算过程，以AlexNet为例感受野概念感受野计算公式—从第一层开始计算AlexNet感受野计算过程 主要参考博客1 主要参考博客2 公式来源链接 感受野概念 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上每个像素点在原始图像上映射的区域大小，这里的原始图像是指网络的输入图像，是经过预处理（如resiz...
深度学习之学习（1-2）感受野(receptive field)
light169的专栏
03-04 2443
参见：原始图片中的ROI如何映射到到feature map? - 知乎 1感受野的概念 　　在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 2、感受野的计算 感受野计算时有下面的几个情况需要说明： 　　（1）第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小 　　（2）深层卷积层的感受野大小和它之前所有层的滤波器大小和步长有关系 　　（3）计算感受野大小时，忽略了图像边缘的影响，即不考虑padd.
CNN中感受野Receptive Field的计算
随风秀舞（diyoosjtu）
05-17 1013
1. 感受野 The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at (i.e. be affected by). 感受野是在输入空间内，CNN提取的特征的来源区域的大小。 感受野可以用其中心位置和尺寸来描述。 在一个感受野内，越靠近中...
DenseBox: Unifying Landmark Localization with End to End Object Detection笔记
Andrew_jdw的博客
02-04 373
Abstract 引入DenseBox，它是一个统一的端到端FCN框架，通过图像的所有位置和尺度直接预测边界框和对象类信任度。首先，我们展示一个单一的FCN经过精心设计和优化，可以非常准确和有效地检测多个不同的目标。第二，当在多任务学习中结合地标定位时，DenseBox进一步提高了目标检测的准确性。我们在MALF人脸检测和KITTI汽车检测等公共基准数据集上展示了实验结果，表明我们的DenseBox是检测具有挑战性的物体(如人脸和汽车)的最先进系统。 1 Introduction 在我们的日常生活中，物体检
论文DenseBox: Unifying Landmark Localization with End to End Object Detection讲解
Keep_Trying_Go的博客
12-13 1074
提出的网络以类似分割的方式进行训练。训练中的输出真值为一个大小为 60 × 60 的 5 通道图，降采样因子为 4。真值图中第一通道的正标记区域是一个半径为 rc​ 的填充圆，位于人脸边界框的中心。半径 rc​ 与边界框的大小成比例，输出坐标空间中的比例因子设置为 0.3，如图 2 所示。剩余的 4 个通道填充的是输出图中像素位置与最近边界框左上角和右下角之间的距离。DenseBox旨在解决目标检测中的问题，特别是当区域提议生成可能失败时的情况，它能够将目标检测框架化为一个回归问题。
【论文笔记】：DenseBox
Activewaste
09-26 2450
引言： 先放个链接：关于densebox的论文解读 DenseBox 大多数的论文笔记都差不多，就转一篇过来当复习笔记，以便后续查看。
【目标检测】|densebox
qq_35608277的博客
06-19 271
平衡采样 负样本的选择是一个很关键的问题。如果简单的采用所有的负样本，那么预测结果会偏向于负样本；另外，检测器在处理正负样本之间的样本区域的时候性能会下降。因此本文提出在输出特征图的每个像素上用二值mask来决定它是否参与训练。 忽略灰度区域 灰度区域是正负样本之间的区域，它既不是正样本也不是负样本，并且它的损失权重被设为0，也就是它不贡献任何loss。对于输出坐标空间中的每个非正样本标记的像素，只要它半径范围2内存在一个正样本标记的像素，则它的ignore flag=1 Hard Negative M..
DenseBox 论文笔记
qq_30146937的博客
02-25 909
前言 本文主要关注如何将FCN应用到目标检测中，提出基于FCN的检测器DenseBox，它不需要生成候选区域，并且可以进行端到端的训练。本文做出的主要贡献为： 本文证明，在经过仔细地设计和优化后，一个单一的FCN可以检测不同尺度和较为模糊的目标； 通过多任务学习结合landmark定位可以进一步提升检测性能。 DenseBox 检测系统如上图所示： 首先使用图像金字塔（后来演变成特征金字...
【深度学习】骨干网络（Backbone）
最新发布
藓类少女的博客
08-24 1890
核心功能：特征提取。它通过一系列卷积层、池化层、注意力机制等操作，将原始数据转换为多层次、多尺度的特征表示。通常都是预训练模型：骨干网络很少从零开始训练（Scratch Training）。通常会在一个超大的数据集（如 ImageNet）上进行预训练，学习到强大的通用特征提取能力。然后，我们可以把这种能力迁移（Transfer Learning）到自己的特定任务上（比如医学图像分析、卫星图像识别），只需要微调（Fine-tuning）即可，大大节省了时间和数据。输出：骨干网络通常会输出一个或多个。
目标检测：Anchor-free算法模型
usernameisnotexist的博客
03-08 1539
虽然不完全是今天所讨论的anchor-free检测方法，但DenseBox是较早采用端到端方式进行目标检测和定位的方法之一，它为后续的anchor-free方法提供了灵感。DenseBox通过直接在特征图上预测边界框和目标的存在，展示了去除传统锚点的可能性。YOLOv1是一个开创性的工作，它将目标检测视为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率的映射。
论文笔记（1）DenseBox: Unifying Landmark Localization with End to End Object Detection
热门推荐
dp_BUPT的博客
09-30 1万+
本文的贡献有一下几点： 1，实现了end-to-end的学习，同时完成了对bounding box和物体类别的预测； 2，在多任务学习中融入定位信息，提高了检测的准确率。我们先来看看他和其他几篇代表性文章之间的不同。 在OverFeat[1]中提出了将分类和定位问题一起解决的思想，但这两个任务在训练阶段是分开进行的，并且需要复杂的后续处理来得到检测结果，而在本文中多任务的学习是end-to-e
Anchor-free目标检测算法系列11： DenseBox中心点处dense：Unifying Landmark Localization with End to End Object Detec
Sesen的木屋
08-14 606
DenseBox: Unifying Landmark Localization with End to End Object Detection （CVPR2015） 论文是2015年提出的一种端到端的算法，同时对目标进行分类和框回归，算法很有前瞻性。DenseBox...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值