本文主要是介绍感受野 在特征点上的呈现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Effective Receptive Field
从CNN对图像的操作来看,Receptive Field可以视为feature map中某个特征点的响应所对应的图像区域。而在CNN中,卷积、池化等操作都会增加特征点所对应的感受野的大小,因此越高的层对应的感受野越大,相应的特征也就越抽象。
而通过直观的感受可以想象,位于感受野中心的像素值由于经过多次卷积都位于中心,所以其对最终的响应值的贡献会多一点,而位于边界的像素值的贡献就会少一些。也即,感受野对于特征点相应值的贡献趋于一种高斯分布而非均匀分布。
这篇论文中有详细的推导,这里只进行直观理解。
降采样 扩张卷积都可以增加 感受野
Receptive Field for YOLOv3
YOLOv3中,三个分支分别使用了不同尺度的anchor,前面是根据输出层的feature map的大小来进行解释的,feature map较小的使用较大的anchor以检测较大物体,而feature map较大的使用较小的anchor以捕捉较小物体。
这一点也可以从Receptive Field的角度来解释。feature map较小的经过的卷积层数更多,每个特征点所对应的Receptive Field的大小越大,可以覆盖较大物体,所以在这些feature map上可以使用较大的anchor检测大物体,反之亦然。
这篇关于感受野 在特征点上的呈现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!