链接：https://www.zhihu.com/question/61772315/answer/191421994
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
在物体检测中， 除了物体本身的appearance之外， context对检测质量会有不少影响。 特别是当物体本身appearance信息不足的时候（遮挡，尺度过小等等），context会成为检测判别当中非常重要的线索。 通常来讲， context应该要和物体的尺寸相匹配： 如果过小则context信息不足以提供置信度支持； 若过大（特别是当你提供的context和检测物体本身并没有很强的coherence时），会引入过多的额外噪声对训练和预测造成干扰。
receptive-field 即网络输出的一个点所涵盖的输入区域，可以认为是object + context的连续区域。Context大小往往跟检测的物体类型和应用场景有关。以其他答主提到的人脸和车辆为例：
人脸检测场景中， 通常会出现头肩，甚至是整个人体的信息。 人脸跟头肩和人体具有非常大的相关性，此时如果增大receptive-field， 把头肩甚至是整个人体都包含进去， 往往会比单单包含人脸输入的检测器要好。 这也是为何许多人脸检测器训练的输入往往是整个上半身图， 而不是单单一张脸。 [1612.04402] Finding Tiny Faces 这篇固定receptive field（300px）也是合理的：对于小的人脸（<30px）, 这个输入大小已经包含了大部分的人体， 能够提供足够多的context； 对于大的人脸（80-200px），输入分辨率足够高，有了足够的细节信息，可以只从人脸区域就能有比较高的置信度判断是不是人脸。
车辆检测中， 整个车的bounding box已经囊括了车本身，所以context一般不需要太大，empirically 物体本身的2-3倍大小输入就足够了。 过大的receptive-field还会造成定位不准以及低recall, 这也是直接在KITTI上怼faster r-cnn效果并不理想的原因。
最后， 如果想把物体检测的性能做好， 除了了解现在最新的CNN系列方法之外， 去回顾一下传统的检测方法也是必要的， 因为很多物体检测问题本身的一些domain knowledge 被强大的CNN掩盖掉了..... 例如 如何解决intra-class variance（subtype clustering? ）， 如何处理object scale variance (image pyramid ? multi-scale models ?) ， 如何做input sampling（hard negative mining? ） 等等等等
不过这可能也是因为人脸这个目标比较特殊，人脸毕竟只占人体的一小部分，而人体是非常强的context信息。换成别的目标，比如说一辆车、一个行人可能也不需要几十倍大的receptive field。