受信フィールドサイズ対オブジェクトサイズ

Question

CNNの受容野と検出すべきオブジェクトサイズの関係に関する質問があります。 私のオブジェクトのサイズは16x16ピクセルです。したがって、受容野は少なくとも16x16であるべきですか？それとももっと大きいのでしょうか？受容野が大きくなると悪いことができますか？この例では100x100と言いましょう。

これは難しい質問ですが、誰かが受容野をどの程度大きくしてオブジェクトの大きさに関係させるべきかについての経験があります。

あなたは

Answer 1

受容野が決定を行う際に考慮された画素の量を決定ありがとうございます。オブジェクトのサブセットを使用して、特定のサブセットであるかどうかを判断する場合は、クロップを行い、人間にどのオブジェクトがあるかを尋ねるようなものです。これは難しいことです。

通常、情報に基づいた判断を下すには、周辺情報を考慮すると便利です。

あまりにも多くの周囲情報を使用することによる唯一の問題は、ネットワークが、トレーニングセット内では相関するが実生活ではないため、オブジェクト自体に関連しないものに基づいて決定を下す可能性があるということです。例えば。車の分類。あなたはすべてのアウディと他の車のための赤い背景があります。だから、イメージ全体を受容野として使うなら、おそらくAudiを車の特徴ではなく背景に基づいて分類するでしょう。あなたの明確化へ

編集：

私は指紋と同じような何かを行っています。私はバイナリイメージのセグメンテーションを見て、オブジェクトごとに6x6の領域や何かを使用して、損失関数がよりスムーズになるように助言します。これは私の場合に最適でした。

これは純粋に理論的な質問です。なぜなら、とにかく良好な結果を保存するのに十分な深さが必要であり、受容野はオブジェクトよりも大きくなるからです。さらに、オブジェクトはそのサイズを変更することができるので、固定された受容サイズはシーン内のすべてのオブジェクトに対して機能しません。それがピクセルの受け入れ可能なサイズを制限するのを助けるならば、それはまだ興味深い実験でしょう。そうは思わない。

Answer 2

受容野の相対サイズは、ネットワークの全体的なアーキテクチャによって異なります。しかし、一般的に言えば、検出したいオブジェクトのサイズよりも小さいフィルタ受容フィールドが必要です。十分な数の畳み込みフィルタを持つレイヤーがあると仮定すると、オブジェクトのフィーチャー（エッジ、カラー、テクスチャなど）をフィルタが検出できるように受容フィールドのサイズを設定します。 CNNの後続のレイヤーは、そのオブジェクトを検出するためにフィーチャーを結合します。

たとえば、hereを参照してください。 "Example filters ..."というキャプションの図は、11x11ピクセルの受容野を持つ学習された畳み込みフィルタを示していますが、検出されるオブジェクト（この場合は車）は何百ピクセルにも及んでいます。