感受野的概念：

当前特征图上的一个特征点，对应于原图像上的区域大小就叫感受野。

感受野对于CNN的影响：

1.在图像分类中要求最后卷积层的感受野要大于输入的图像，所以网络深度越深，感受野越大，性能越好。

2.密集预测要求输出图像感受野足够的大，确保做出决策时没有忽略重要的信息，一般也是越深越好。

3.目标检测中设置anchor要严格对应感受野，确保检测框刚好包裹目标。

感受野的计算公式：

通用计算公式：

第一层感受野为1，R表示感受野，k表示卷积核大小，s表示步长

R当前层=R前一层+(k-1)*(前一层之前包括前一层的所有步长之积)

自己手推原则：

1.初始图像感受野为1

2.每经过一个conv(k*k) s1的卷积层，感受野是r=r+(k-1)

3.每经过一个conv(k*k) s2的卷积层或者maxpooling/avgpooling，感受野是r=(r*2)+(k-2)

4.每经过一个maxpooling/avgpooling2*2 s2的下采样层，感受野r=r*2

5.ReLu,BN,Dropout,conv1*1 s1不改变感受野

6.经过全连接层之后，感受野为整个图像

附加：计算输出特征图大小

Nout=(Nin+2*p-k)/s+1

（输入的特征图大小+二倍padding-卷积核大小）/步长+1

Reference

卷积神经网络的感受野 - 知乎