感知野的概念尤为重要，对于理解和诊断CNN网络是否工作，其中一个神经元的感知野之外的图像并不会对神经元的值产生影响，所以去确保这个神经元覆盖的所有相关的图像区域是十分重要的；
需要对输出图像的单个像素进行预测的任务，使每一个输出像素具有一个比较大的感知野是十分重要的，在做预测试时，每一个关键的信息就不会被遗漏。
增大感知野的方法： 理论上可以通过搭建更多的层的网络实现感知域的线性增加，靠着卷积过滤器的增加； 也可以使用下采样的方法，池化，增加感知域，目前通常都结合了这两种技术；
作者发现 并不是所有在感知域中的像素 都图对于输出单元具有相同的贡献： 直观的来说，感知野中间的像素对于输出会有更大的影响。
前向传播中，感知野中间的像素能够传播信息到输出通过许多不同的路径，边缘的像素就相对较少。这就造成了，在反向中，通过这些路径传来的梯度，使得中间像素有更大量级的梯度更新
感知野的影响分布是呈现高斯分布的， 作者发现了 理论感知域中的有效部分其实是非常微小的，因为高斯分布从中间衰减得十分的快
确定多少个输入感知野的像素点影响着输出神经元；
有个结论：在残差网络中不使用池化和下采样方法，随着训练的进行，有效感知野的范围在提升，同时即时感知野的大小已经大于了整个图像的整个大小，有效感知野的范围还是不能够覆盖整个图像。
在残差网络架构的模型中，使用subsampling 技术，理论感知域增加的非常大，但是有效感知域也是十分小的；
有效减缓 有效感知域的高斯分布的方法带来的影响
1 操纵权重的初始化 使卷积核中心的权值更小，外部的权值更大
优化 w 去最大化 有效感知野的大小
解决这个优化问题，就得到了这样一个解:在卷积核的4个角上平均分配权值，而其他地方都为0。
得到一些 这样分布的初始化方法 可以提高整体的速度
认为 从CNN的结构来看是一个很好的增大有效感知域的措施，比如 dilate conv，skip-connection 使得感知野更小了，dropout 并不会改变有效感知野