感受野

一個輸出單元的感受野，是指原始輸入中「能夠影響它的值」的那塊區域——也就是一個神經元實際看到的「對外窗口」。單一一次 3x3 卷積讓每個輸出擁有 3x3 的感受野：它只知道一個 3x3 的區塊。但當你把多層疊起來，每一新層都看的是前一層輸出的鄰域，而那些輸出本身又各自摘要了一塊區塊，於是感受野層層複合、隨深度增長。正是這個機制，讓一個僅由微小 3x3 濾波器堆成的深層 CNN，最終能「看見」整個物體。

精確地說，對一疊卷積核大小為 k、步幅為 s、擴張率為 d 的層，感受野會逐層增長。在步幅 1 且無擴張的情況下，把 L 層卷積核 k 疊起來會得到大小為 1 + L(k-1) 的感受野；例如十層 3x3 可達 1 + 10*2 = 21 個像素寬。步幅會放大這個增長（每個帶步幅的層都會放大「先前感受野彼此間距」的尺度），而擴張則在不增加參數下放大單層的覆蓋範圍，因此兩者都能讓感受野擴張得遠比單靠深度更快。其遞迴式為 r_l = r_{l-1} + (k_l - 1) 乘以（第 l 層之前所有步幅的乘積），計入擴張時則把 k 換成它擴張後的大小。

一個關鍵的注意點，是「理論感受野」與「有效感受野」（effective receptive field）的差別。即使某個單元在原理上可被一塊 200x200 的區域影響，中央的像素仍會主導，而影響力朝邊緣大致呈高斯衰減；Luo 等人（2016）指出有效感受野常常只有理論值的一小部分，並且僅以深度的平方根速度增長。這正是為何分割與偵測架構會刻意加入擴張、較大步幅或全域池化，以確保有足夠的真實脈絡，而不是只仰賴深度。