最近在重读目标检测的论文，着重了解了下SSD和Faster RCNN算法，发现感受野在目标检测中有比较重要作用，当然在分类问题时，感受野在网络设计上也有很大的作用。所以记录下收集到的和感受野相关的知识点。

  1. 感受野是某一层能在输入图片上看到的区域，这个是理论感受野。
  2. 感受野外的区域不起作用。
  3. 感受野大的时候可以有更多的语义信息进来，可能就是所谓的context。
  4. 感受野有理论感受野和有效感受野之分，有效感受野实际上很小，并且服务高斯分布，因为处于中间位置的参数对生成的feature map起的作用更大。比如3x3卷积中，处于最中心的参数被使用到的次数做多，产生的影像也很多。
  5. 有效感受野在网络参数初始化的时候比较小，虽然训练次数的增加，有效感受野变大。
  6. 下采样和膨胀卷积会增加感受野的尺寸，比如feature map的某个方向尺寸减半，理论感受野变成原来的2倍。
  7. 卷积层数变深，理论感受野的尺寸也会增大。
  8. dropout不改变有效感受野的高斯分布
  9. skip connection会导致有效感受野变小。
  10. 理论感受野的尺寸可能会比输入图像的尺寸更大
  11. SSD中6个尺度的feature上面的prior box的大小是不一样的，应该是依据感受野大小进行的设计，大的feature上的prior box会小一些，可以检测小的目标。小的feature上大一些，检测大的目标，因为对应的感受野会更大一些。