ResNet网络感受野计算：
1. 感受野计算公式假设第i−1i-1i−1层特征的感受野为RFi−1RF_{i-1}RFi−1，第iii层特征的感受野为：RFi=RFi−1+(ki−1)∏j=1i−1sjRF_{i}=RF_{i-1}+(k_i-1)\prod_{j=1}^{i-1}s_jRFi=RFi−1+(ki−1)j=1∏i−1sj其中，kik_iki是第iii层的卷积核尺寸（或池化核尺寸），sjs_jsj
1. 感受野计算公式
假设第 i − 1 i-1 i−1层特征的感受野为 R F i − 1 RF_{i-1} RFi−1，第 i i i层特征的感受野为：
R F i = R F i − 1 + ( k i − 1 ) ∏ j = 1 i − 1 s j RF_{i}=RF_{i-1}+(k_i-1)\prod_{j=1}^{i-1}s_j RFi=RFi−1+(ki−1)j=1∏i−1sj
其中， k i k_i ki是第 i i i层的卷积核尺寸（或池化核尺寸）， s j s_j sj是第 j j j层的卷积步长（或池化步长）
注：padding的大小不影响感受野的计算，但影响输出特征图的大小。
2. ResNet网络结构
注：图片来源: https://www.jianshu.com/p/085f4c8256f1.
3. ResNet-50的感受野
使用感受野计算工具Fomoro AI：https://fomoro.com/research/article/receptive-field-calculator.
得到如下结果：
详细情况请查看：ResNet-50感受野计算结果.
| 输出特征层 | 感受野大小 |
|---|---|
| C2 stage | 35 |
| C3 stage | 91 |
| C4 stage | 267 |
| C5 stage | 427 |
ResNet-50的理论感受野为 427 × 427 427\times427 427×427，比输入图像 224 × 224 224\times224 224×224还大，怎么解释？
- 理论感受野是网络的固有属性，当网络结构确定下来，感受野随之唯一确定，与输入图像大小无关。
详细情况请查看：ResNet-101感受野计算结果.
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
12
0- 0
已为社区贡献7条内容
所有评论(0)