深度学习网络的感受野与卷积核

https://www.bilibili.com/read/cv27451493/?jump_opus=1

https://zhuanlan.zhihu.com/p/484653541?utm_id=0

一般认为，网络越深，卷积核越大，感受野也就越大。同时，也会丢失一定的小尺度捕捉能力。

在《Residual networks behave like ensembles of relatively shallow networks》中，说明了短路连接能够使得模型显式地变为多个不同感受域大小的模型的组合(小感受域与大感受域不断直接累加)，从而能够在更大的感受域中得到提升并且不会丢失捕捉小尺度特征的能力。

而在《Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs》中，也说明了带有短连接的大核卷积层效果远大于小的。

总之，网络带有短连接，卷积核越大效果越好，如果效果不好，就是不够大。