感受野

概述

感受野（Receptive Field）指卷积神经网络中某个神经元能够感知到的输入图像的区域大小。它是衡量CNN局部连接特性的重要指标，决定了每一层特征图中的单个节点对应原图的区域范围。

关键内容

1. 计算原理：感受野的大小取决于卷积核尺寸、步长和填充方式。多层卷积叠加会使感受野呈指数增长。对于n层3×3卷积核（步长为1），有效感受野为(2n+1)×(2n+1)。

2. VGGNet中的体现：VGGNet通过连续的3×3卷积核巧妙地扩大了感受野，例如两个3×3卷积串联可以获得5×5的有效感受野，但参数量更少且非线性更强。

3. 层次化特征：CNN的不同层级具有不同大小的感受野。浅层网络感受野较小，主要捕捉局部特征（如边缘、纹理）；深层网络感受野较大，能捕获更全局的信息（如物体形状、整体结构）。

4. 设计意义：合理设计感受野对网络性能至关重要。过小的感受野无法捕获全局信息，过大的感受野则可能丢失细节信息。现代架构常通过多尺度卷积、扩张卷积等方式优化感受野覆盖。

5. 实际应用：感受野大小直接影响CNN的特征提取能力，是判断网络是否能够充分理解输入图像的关键指标。

来源

• Very Deep Convolutional Networks for Large-Scale Image Recognition (2014 论文) — VGGNet原始论文
• raw/articles/ai-papers/foundations/paper_11_vggnet.md — 全文精读

相关

• 卷积神经网络（CNN） — part_of
• 3×3卷积核 — affected_by
• VGGNet — measured_in
• 卷积运算 — results_from
• 池化层 — increases
• 特征提取 — enables
• 扩张卷积 — relates_to