卷积神经网络物体检测之感受野大小计算

近期再看RCNN等经典文章，又看到了“感受野”的概念。再正向传播中我们可以很方便地由前一个feature map通过卷积核，来计算下一个feature map的大小，但是很少去思考：感受野的尺寸（相当于卷积和大小）大小是如何计算的。

首先给两个博客，写的很经典。
博客1

博客2

在RCNN中所说的感受野可以看作是一个“相对的”概念。
比如， 在RRCNN论文中有一段描述，Alexnet网络pool5输出的特征图上的像素在输入图像上有很大的感受野（have very large receptive fields (195 × 195 pixels)）和步长（strides (32×32 pixels) ），这里的195，可以将其视为pool5层的一个输出相对于第一层来说，需要多大的卷积核。

计算方法在上面的博客中已经给出，

RF = 1 #待计算的feature map上的感受野大小
for layer in （top layer To down layer）:
　　RF = ((RF -1)* stride) + fsize

以AlexNet为例，计算过程：