感受野

喺生理學等嘅領域上，感受野一般俾人用嚟描述視覺系統、聽覺系統同埋本體感受啲具體嘅神經系統性質。

視覺

以人類個視覺為例，一𤗲視網膜上高毋同區域啲神經細胞個組織結構係毋同嘅，因此反映到視覺能力上都有毋同側重。譬如黃斑裏便個中央凹，一粒視錐細胞就直接褦到一粒神經節細胞；喺中央凹裏便總共大概有6萬粒視錐細胞同埋對應嘅6萬粒神經節細胞，嚟喺視覺中心達到最細緻嘅分辨能力。相反，喺毋需要咁清晰視覺嘅埞，平均6粒視錐細胞正佮到駁埋一粒神經細胞，噉樣可以減少訊號通路個數量，仲因為神經節細胞可以著更多訊息源激活、所以可以提高週邊區域個動態視覺能力 。

 

術語「感受野」亦都用喺人工神經網絡領域，好多時跟卷積神經網絡（CNN）有𪐀褦。喺呢種語境當中，感受野定義為輸入裏便某笪區域嘅大細，當中生成相應特徵嘅。基本上，感受野係攞嚟度量某𤗲輸出要素同輸入區域之間關聯嘅，個概念適用於啲本地操作似摺積（convolution）、池化（pooling）之類。喺研究運動相關嘅任務裏便，譬如視頻預測（video prediction）同光流估計（optical flow estimation），要捕獲大幅度運動（2D柵格入便啲像素嘅位移），就要有相應足夠嘅感受野。具體嚟講，感受野大過數據集嘅最大數據流個幅值（magnitude）就算係足夠。當然都有好多方法增大得CNN嘅感受野。

 

人工神經網絡個「感受野」容易令人聯想到實際生物神經系統嘅感受野。的確，CNN個架構係特登模仿啲人認爲真實動物大腦係點樣運作嘅。唔似類似多層感知機（MLP）當中每一𤗲每粒神經元都連嗮下一𤗲啲神經元，CNN裏頭啲神經元成三維結構噉排，照顧到唔同神經元相對於原始數據嘅空間關係。由於CNN主要用於電腦視覺領域，所以啲神經元代表嘅數據好多時係圖像。每粒輸入神經元代表緊原始圖像嘅一粒像素，啲輸入神經元就組成第一𤗲。後一𤗲啲神經元都駁到啲輸入神經元嘅連接，但唔似MLP抑或其他傳統神經網絡入便噉駁嗮，而CNN用類似感受野嘅佈局，入便每粒神經元僅衹同前一𤗲（較低𤗲）神經元嘅子集連接。較低𤗲入便一粒神經元個感受野僅衹包含到圖像嘅一部份，而後便𤗲（較高𤗲）一粒神經元嘅感受野組合自低過佢嘅一啲（亦非全部）神經元個感受野。即，較高𤗲啲神經元「睇」得到圖像嘅部份大過較低𤗲嘅。噉樣逐𤗲逐𤗲落去每𤗲都從幅原始圖像度學到愈嚟愈多嘅抽象特徵。戥其他類型嘅神經網絡比較返，噉樣嘅感受野設計俾人認爲係CNN喺識別啲視覺圖樣方面有特別優勢嘅原因之一。

喺一啲研究當中，提出唨「有效感受野」嘅概念，嚟表示喺梯度反向傳播之後啲實際會受影響到嘅感受野；有一啲原因會影響有效感受野佔總嘅理論感受野嘅大細，包括啟動函數嘅選擇等。