感受野(receptive field)这一概念来自于生物神经科学，是指感觉系统中的任一神经元，其所受到的感受器神经元的支配范围。感受器神经元就是指接收感觉信号的最初级神经元。

在卷积神经网络中,感受野(Receptive Field)是指特征图上的某个点能看到的输入图像的区域,即特征图上的点是由输入图像中感受野大小区域的计算得到的。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着它可能蕴含更为全局，语义层次更高的特征；相反，值越小则表示其所包含的特征越趋向局部和细节。因此感受野的值可以用来大致判断每一层的抽象层次。

如下图所示，在5*5的 layer1（黄色区域），使用3*3卷积（青色区域）进行特征提取，所提取得到的特征图在layer2中青色；继续以步长为1逐步进行特征提取，5*5的layer1完成整个卷积操作就变成3*3的layer2；继续以3*3卷积对layer2进行特征提取，得到1*1的layer3。

其中，layer1的感受野大小为1，layer2的感受野大小为3，layer3的感受野大小为5。

感受野的大小决定了该层网络对输入图像的理解程度，即能够捕捉到多大范围内的特征信息。较小的感受野可以捕捉到更细节的特征，但可能会忽略掉更大范围内的信息；较大的感受野可以捕捉到更全局的信息，但可能会忽略掉更细节的特征。

感受野的作用主要有两个方面：

增大感受野可以提高模型对于输入图像的理解能力，但是也可能会导致模型过拟合或者计算量过大。因此，增大感受野需要在保证模型性能的前提下进行。

常用的增大感受野的方法有：

减小感受野可能会影响模型的性能，因为较小的感受野可能会导致模型无法捕捉到更广泛的上下文信息，从而影响模型的准确性和泛化能力。但是，如果在适当的情况下使用，减小感受野也可以提高模型的效率和计算速度。

常用的减小感受野的方法有：

更详细的过程来源于这篇文章

Computing Receptive Fields of Convolutional Neural Networks

卷积层的理论感受野可以由递推公式计算出来。首先定义下参数意义，r代表感受野l 代表层数k 代表卷积核大小s 代表步长

最大池化层的理论感受野

图中，由1个conv3*3（stride=1，pad=1），1个ReLu层，1个2*2MaxPooling层（k=2，s=2，p=0）组成。为输入层， 层 为输出层。很明显能够发现，层的感受野为6。推导过程如下 ​  1. 默认感受野为1，即    2. 层为3*3conv层，,  即 r1 = 1 + (3 - 1) * 1 = 3 3.  层为激活函数层ReLu，不改变理论感受野大小（也不是没作用，有效感受野里面会提到它的作用）r2 = 3 4.  层为3*3conv层，和上一个conv层一样，r3 = 3 + ( 3 − 1 ) ∗ 1 = 5  5.  层为2*2maxpooling层，r4 = 5 + ( 2 − 1 ) ∗ 1 = 6  

按照上述方法可以计算出主流的backbone理论感受野大小，如下图所示。 

从感受野的计算公式很明显能够看出，stride kernel_size rf_size都会对其产生影响，其中srtide对感受野大小起决定性作用。

参考：

 深度理解感受野（一）什么是感受野？

感受野详解