感受野是什么？卷积神经网络一个点能“看到”多大范围

感受野（Receptive Field）是描述神经网络中一个单元能“看到”多大输入范围的概念。在卷积神经网络（CNN）中，它的定义是：某一层输出的特征图上的一个点，对应到原始输入图像上的区域有多大。感受野越大，这个点汇聚的信息范围就越广。

来自生物视觉研究

感受野的概念源自对生物视觉系统的研究。感受器受到刺激而兴奋时，会通过神经元把神经冲动逐级传到更高级的中枢。一个神经元能够响应的那片刺激区域，就叫作这个神经元的感受野。比如视网膜上的某个神经元，只对视野中某一小块区域的光线变化有反应。20 世纪 50 到 60 年代，Hubel 和 Wiesel 对猫视觉皮层的研究发现，不同层级的神经元感受野大小不同、对不同的图案敏感，这启发了后来卷积神经网络的层级设计。研究者在构建模拟生物视觉的人工神经网络时，借用了这个概念。

在卷积网络中怎么变化

卷积网络的第一层，每个点只由输入图像上很小的一块（比如 3×3 个像素）计算得来，感受野很小，只能识别边缘、颜色这类局部特征。随着网络层数增加，每一层都在上一层的基础上再做卷积，感受野逐层扩大，深层的点能综合图像上更大范围的信息，识别出眼睛、轮子，乃至整张脸、整辆车这类高级特征。池化、使用更大的卷积核、增大步长，以及空洞卷积，都能更快地扩大感受野。

为什么重要

感受野决定了网络能捕捉多大范围的上下文。做目标检测时，要识别大物体，就需要足够大的感受野覆盖整个物体；做语义分割时，判断一个像素属于什么，往往需要参考周围较大范围的内容。研究还发现，“有效感受野”通常比理论计算出的感受野小，中心区域的影响远大于边缘。视觉 Transformer 通过自注意力，让每个位置从第一层起就能关注整张图像，在一定程度上绕开了卷积网络感受野受限的问题。