徹底搞懂感受野的含義與計算

taotao_2016 2020-10-12

展開全文

作者丨shine-lee

來源丨h(huán)ttps://www.cnblogs.com/shine-lee/p/12069176.html

什么是感受野

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).
—— A guide to receptive field arithmetic for Convolutional Neural Networks

感受野（Receptive Field），指的是神經(jīng)網(wǎng)絡(luò)中神經(jīng)元“看到的”輸入?yún)^(qū)域，在卷積神經(jīng)網(wǎng)絡(luò)中，feature map上某個元素的計算受輸入圖像上某個區(qū)域的影響，這個區(qū)域即該元素的感受野。

卷積神經(jīng)網(wǎng)絡(luò)中，越深層的神經(jīng)元看到的輸入?yún)^(qū)域越大，如下圖所示，kernel size 均為3×3，stride均為1，綠色標(biāo)記的是Layer2每個神經(jīng)元看到的區(qū)域，黃色標(biāo)記的是Layer3 看到的區(qū)域，具體地，Layer2每個神經(jīng)元可看到Layer1上3×3 大小的區(qū)域，Layer3 每個神經(jīng)元看到Layer2 上3×3 大小的區(qū)域，該區(qū)域可以又看到Layer1上5×5 大小的區(qū)域。

https://www./publication/316950618_Maritime_Semantic_Labeling_of_Optical_Remote_Sens

所以，感受野是個相對概念，某層feature map上的元素看到前面不同層上的區(qū)域范圍是不同的，通常在不特殊指定的情況下，感受野指的是看到輸入圖像上的區(qū)域。

為了具體計算感受野，這里借鑒視覺系統(tǒng)中的概念：

receptive field=center+surround

準(zhǔn)確計算感受野，需要回答兩個子問，即視野中心在哪和視野范圍多大。

只有看到”合適范圍的信息”才可能做出正確的判斷，否則就可能“盲人摸象”或者“一覽眾山小”；

目標(biāo)識別問題中，我們需要知道神經(jīng)元看到是哪個區(qū)域，才能合理推斷物體在哪以及判斷是什么物體。

但是，網(wǎng)絡(luò)架構(gòu)多種多樣，每層的參數(shù)配置也不盡相同，感受野具體該怎么計算？

約定

在正式計算之前，先對數(shù)學(xué)符號做如下約定：

https:///mlreview/a-guide-to-receptive-field-arithmetic-for-convolutional-neural-networks-e0f514068807

k：kernel size

p：padding size

s：stride size

Layer：用Layer表示feature map，特別地，Layer0為輸入圖像；

Conv：用Conv表示卷積，k、p、s為卷積層的超參數(shù)，Convl的輸入和輸出分別為Layerl?1和Layerl+1；

n：feature map size為n×n，這里假定height=width；

r：receptive field size為r×r，這里假定感受野為方形；

j：feature map上相鄰元素間的像素距離，即將feature map上的元素與輸入圖像Layer0 上感受野的中心對齊后，相鄰元素在輸入圖像上的像素距離，也可以理解為 feature map上前進(jìn)1步相當(dāng)于輸入圖像上前進(jìn)多少個像素，如下圖所示，feature map上前進(jìn)1步，相當(dāng)于輸入圖像上前進(jìn)2個像素，j=2；

https://github.com/vdumoulin/conv_arithmetic/blob/master/gif/padding_strides.gif

start：feature map左上角元素在輸入圖像上的感受野中心坐標(biāo)(start,start)，即視野中心的坐標(biāo)，在上圖中，左上角綠色塊感受野中心坐標(biāo)為(0.5,0.5)，即左上角藍(lán)色塊中心的坐標(biāo)，左上角白色虛線塊中心的坐標(biāo)為(?0.5,?0.5)；

l：l表示層，卷積層為Convl，其輸入feature map為Layerl?1，輸出為Layerl。

下面假定所有層均為卷積層。

感受野大小

感受野大小的計算是個遞推公式。

再看上面的動圖，如果feature map 上的一個元素A看到feature map Layer1 上的范圍為3×3（圖中綠色塊），其大小等于kernel size k2，所以，A看到的感受野范圍r2等價于Layer1上3×3窗口看到的Layer0 范圍，據(jù)此可以建立起相鄰Layer感受野的關(guān)系，如下所示，其中rl為Layerl的感受野，rl?1為 Layerl?1 的感受野，

Layerl 一個元素的感受野rl等價于Layerl?1 上k×k個感受野的疊加；

Layerl?1 上一個元素的感受野為rl?1；

Layerl?1 上連續(xù)k個元素的感受野可以看成是，第1個元素看到的感受野加上剩余k?1步掃過的范圍，Layerl?1 上每前進(jìn)1個元素相當(dāng)于在輸入圖像上前進(jìn)jl?1個像素，結(jié)果等于rl?1+(k?1)×jl?1

可視化如下圖所示，

下面的問題是，jin怎么求？

Layerl 上前進(jìn)1個元素相當(dāng)于Layerl?1上前進(jìn)sl個元素，轉(zhuǎn)換成像素單位為

其中，sl為Convl的kernel在 Layerl?1 上滑動的步長，輸入圖像的s0=1。

根據(jù)遞推公式可知，

Layerl上前進(jìn)1個元素，相當(dāng)于在輸入圖像前進(jìn)了

個像素，即前面所有層stride的連乘。

進(jìn)一步可得，Layerl的感受野大小為：

感受野中心

感受野中心的計算也是個遞推公式。

在上一節(jié)中計算得

，表示feature map Layerl上前進(jìn)1個元素相當(dāng)于在輸入圖像上前進(jìn)的像素數(shù)目，如果將feature map上元素與感受野中心對齊，則jl為感受野中心之間的像素距離。如下圖所示，

其中，各層的kernel size、padding、stride超參數(shù)已在圖中標(biāo)出，右側(cè)圖為feature map和感受野中心對齊后的結(jié)果。

相鄰Layer間，感受野中心的關(guān)系為：

所有的start坐標(biāo)均相對于輸入圖像坐標(biāo)系。其中，start0=(0.5,0.5)，為輸入圖像左上角像素的中心坐標(biāo)，startl?1表示Layerl?1左上角元素的感受野中心坐標(biāo)，(2kl?1?pl)為Layerl與Layerl?1感受野中心相對于Layerl?1坐標(biāo)系的偏差，該偏差需折算到輸入圖像坐標(biāo)系，其值需要乘上jl?1，即Layerl?1相鄰元素間的像素距離，相乘的結(jié)果為(2kl?1?pl)?jl?1，即感受野中心間的像素距離——相對輸入圖像坐標(biāo)系。至此，相鄰Layer間感受野中心坐標(biāo)間的關(guān)系就不難得出了，這個過程可視化如下。