1.什么是感受野？ 卷積神經網絡 各輸出層每個像素點在原始圖像上的映射區域大小 下圖是感受野示意圖 如果對這個5x5的原始輸入圖片，用黃色的3x3卷積核作用，會輸出一個3x3的輸出特征圖，這個輸出特征圖上的每個像素點映射到原始的圖片是3x3的區域 ...

感受野（receptive field） CNN中，某一層輸出結果中一個元素所對應的輸入層的區域大小. 感受野計算 從后往前 output field size = ( input field size - kernel size + 2 × padding ) / stride ...

感受野就是輸出的feature map中的一個像素點對應到輸入圖像的映射；下圖中特征點（綠色和黃色）對應的陰影部分即為感受野。 左邊的圖為正常的普通卷積過程；右邊的為輸入和輸出大小一樣的卷積過程，采用的方法是在得到的feature map中的特征點之間加入0（與帶洞卷積類似，但不是一樣 ...

以一張圖片作為開始吧： 這里的輸入數據是大小為(8×8)的彩色圖片，其中每一個都稱之為一個feature map，這里共有3個。所以如果是灰度圖，則只有一個feature map。 進行卷積操作時，需要指定卷積核的大小，圖中卷積核的大小為3，多出來的一維3不需要在代碼中指定，它會 ...

每個卷積核具有長、寬、深三個維度。 卷積核的長、寬都是人為指定的，長X寬也被稱為卷積核的尺寸，常用的尺寸為3X3，5X5等；卷積核的深度與當前圖像的深度（feather map的張數）相同，所以指定卷積核時，只需指定其長和寬兩個參數。 例如，在原始圖像層 （輸入層），如果圖像是灰度圖像 ...

1.原理 對於1*1的卷積核來說,實際上就是實現不同通道數據之間的計算,由於卷積窗口為1*1,那么他不會對同一通道上相鄰的數據進行改變,而是將不同通道之間的數據進行相加. 輸入和輸出具有相同的高和寬。輸出中的每個元素來自輸入中在高和寬上相同位置的元素在不同通道之間的按權重累加 ...

濾波器的大小選擇 大部分卷積神經網絡都會采用逐層遞增（1⇒ 3 ⇒ 5 ⇒ 7）的方式。 每經過一次池化層，卷積層過濾器的深度都會乘以 2； 卷積神經網絡中卷積核越小越好嗎？ 多個小的卷積核疊加使用要遠比一個大的卷積核單獨使用效果要好的多，在連通性不變的情況下，大大降低了參數 ...

　　卷積是圖像處理中一個操作，是kernel在圖像的每個像素上的操作。Kernel本質上一個固定大小的矩陣數組，其中心點稱為錨點(anchor point)。把kernel放到像素數組之上，求錨點周圍覆蓋的像素乘積之和（包括錨點），用來替換錨點覆蓋下像素點值稱為卷積處理。數學表達 ...