1 卷积层的尺寸计算
- feature map有四个维度,分别是N×H×W×C,而卷积核的输入通道数由feature map的C决定,输出通道数有它本身决定
- 输出矩阵的feature map
的
由卷积核大小决定,计算如下:
2感受野的计算
- 举一个例子,原始图像为
,卷积核(Kernel Size)为
,padding 为 1,stride为 2 ,依照此卷积规则,连续做两次卷积。熟悉卷积过程的朋友都知道第一次卷积结果是
大小的feature map,第二次卷积结果是
大小的feature map。计算如下:第一层feature的大小
,第二层feature map的大小
整个过程如图所示:
一个多层卷积构成的FCN感受野等于一个conv rxr,即一个卷积核很大的单层卷积,其kernelsize=r,padding=P,stride=S。感受野的计算有两种方式一是从前到后,另一种从后到前。
2.1从前往到后计算
上图第一层的感受野计算为
,第二层为
,上述的r,S,P的值为:r=7
P=floor(r/2-0.5)=3
即上述两个连续的卷积可由一个
padding为3的feature map 由kernel为
stride为4的卷积核得到。
2.2由后往前的计算
计算公式为
。
推荐一个感受野的计算网站Fomoro AI