全卷积网络感受野
Fully Convolutional Network Receptive Field
关于感受野的计算问题很多。
它在 Whosebug 上的解释非常好 。
但是，没有关于如何在全卷积层（即残差块、特征图连接和上采样层（如特征金字塔网络））中计算它的博客或教程。
据我了解，残差块和跳过连接对感受野没有贡献，可以跳过。来自 .
如何处理上采样层？例如我们有 900 的有效感受野，然后是一个上采样层，感受野减半了吗？
当与来自先前层的特征图连接时感受野会改变吗？
提前致谢！
为了逐条回答你的问题，让我们先从这方面感受野的定义说起：
The receptive field of an individual sensory neuron is the particular region of the sensory space (e.g., the body surface, or the visual field) in which a stimulus will modify the firing of that neuron.
拍摄 from Wikipedia。这意味着我们正在寻找您输入中影响当前输出的所有像素。从逻辑上讲，如果您执行卷积 - 例如使用单个 3x3 滤波器内核 - 单个像素的感受野是输入区域中在该特定步骤中进行卷积的相应 3x3 图像区域。
从视觉上看，在此图中，下面较暗的区域标记输出中特定像素的感受野：
现在，回答你的第一个问题：Residual blocks当然还是占感受野的！让我们将残差块表示如下：
F(X)：残差块g_i(X)：单卷积块
然后我们可以将残差块表示为F(X) = g_3(g_2(g_1(X))) + X，因此在这种情况下我们将堆叠 3 个卷积（作为示例）。当然，这个卷积的每一层仍然会改变感受野，因为它与开始时解释的一样。 简单地再次添加X当然不会改变感受野。但是单独的添加并不能产生残差块。
类似地，跳过连接不会影响感受野，因为跳过层几乎总是会导致不同的（主要是更小的）感受野。正如您链接的答案中所解释的那样，如果您的跳过连接具有更大的感受野，那将会有所不同，因为感受野是不同区域的最大值（更具体地说，并集）通过流程图的路径。
关于上采样层的问题，您可以通过提出以下问题自行猜测答案：
输入图像的 区域 是否受到图像内任何位置上采样的影响？
答案应该是"obviously not"。本质上，您仍然在查看输入区域中的相同区域，尽管现在您拥有更高的分辨率，并且相似的像素实际上可能会查看相同的区域。回到上面的 GIF：如果绿色区域中的像素数量是原来的 4 倍，那么每个像素仍然必须查看蓝色区域中大小不变的特定输入区域。所以不，升级不会影响这一点。
最后一个问题：这个跟第一个问题关系很大。事实上，感受野会查看影响输出的所有像素，因此根据您连接的特征图，它可能会发生变化。
同样，生成的感受野是您要连接的特征图的感受野的并集。如果它们彼此包含（A subset of B 或 B subset of A，其中 A 和 B 是要连接的特征图），则感受野不会改变。否则，接受域将是 A union B.
关于感受野的计算问题很多。
它在 Whosebug 上的解释非常好
但是，没有关于如何在全卷积层（即残差块、特征图连接和上采样层（如特征金字塔网络））中计算它的博客或教程。
据我了解，残差块和跳过连接对感受野没有贡献，可以跳过。来自
的回答
如何处理上采样层？例如我们有 900 的有效感受野，然后是一个上采样层，感受野减半了吗？
当与来自先前层的特征图连接时感受野会改变吗？
提前致谢！
为了逐条回答你的问题，让我们先从这方面感受野的定义说起：
The receptive field of an individual sensory neuron is the particular region of the sensory space (e.g., the body surface, or the visual field) in which a stimulus will modify the firing of that neuron.
拍摄 from Wikipedia。这意味着我们正在寻找您输入中影响当前输出的所有像素。从逻辑上讲，如果您执行卷积 - 例如使用单个 3x3 滤波器内核 - 单个像素的感受野是输入区域中在该特定步骤中进行卷积的相应 3x3 图像区域。
从视觉上看，在此图中，下面较暗的区域标记输出中特定像素的感受野：
现在，回答你的第一个问题：Residual blocks当然还是占感受野的！让我们将残差块表示如下：
F(X)：残差块g_i(X)：单卷积块
然后我们可以将残差块表示为F(X) = g_3(g_2(g_1(X))) + X，因此在这种情况下我们将堆叠 3 个卷积（作为示例）。当然，这个卷积的每一层仍然会改变感受野，因为它与开始时解释的一样。 简单地再次添加X当然不会改变感受野。但是单独的添加并不能产生残差块。
类似地，跳过连接不会影响感受野，因为跳过层几乎总是会导致不同的（主要是更小的）感受野。正如您链接的答案中所解释的那样，如果您的跳过连接具有更大的感受野，那将会有所不同，因为感受野是不同区域的最大值（更具体地说，并集）通过流程图的路径。
关于上采样层的问题，您可以通过提出以下问题自行猜测答案： 输入图像的 区域 是否受到图像内任何位置上采样的影响？
答案应该是"obviously not"。本质上，您仍然在查看输入区域中的相同区域，尽管现在您拥有更高的分辨率，并且相似的像素实际上可能会查看相同的区域。回到上面的 GIF：如果绿色区域中的像素数量是原来的 4 倍，那么每个像素仍然必须查看蓝色区域中大小不变的特定输入区域。所以不，升级不会影响这一点。
最后一个问题：这个跟第一个问题关系很大。事实上，感受野会查看影响输出的所有像素，因此根据您连接的特征图，它可能会发生变化。
同样，生成的感受野是您要连接的特征图的感受野的并集。如果它们彼此包含（A subset of B 或 B subset of A，其中 A 和 B 是要连接的特征图），则感受野不会改变。否则，接受域将是 A union B.