其中RF_l+1为当前特征图对应的感受野大小，也就是我们要计算的目标感受野，RF_l为上一层特征图对应的感受野大小，f_l+1为当前卷积层卷积核大小，最后一项连乘项则表示之前卷积层的步长乘积。输入层初始化感受野为1 * 1。当步长大于1时，感受野的大小会呈现指数级增长。感受野还有一点比较重要的是，对于一个卷积特征图而言，感受野中每个像素并不是同等重要的，越接近感受野中间的像素相对而言就越重要。

 

	尺寸	通道	感受野
nn.Conv2d（kernel_size=1）	不变	由out_channels 决定		可以在保持feature map尺度不变的（即不损失分辨率）的前提下大幅增加非线性特性（利用后接的非线性激活函数），把网络做的很deep。计算量明显减少。
nn.Conv2d（kernel_size>1）		由out_channels 决定	扩大	增加kernel_size也能扩大感受野，但是参数会增加
nn.Conv2d（dilation>1）	不变	由out_channels 决定	扩大	扩大感受野,同时保持像素的相对空间位置不变，分辨率不变，不增加参数量。一串互质的dilation可以少遗失像素信息，不互质会遗失很多 像素信息。   In dilated convolution, a small-size kernel with k × k fifilter is enlarged to k + (k − 1)(r − 1) with dilated stride r.允许灵活地聚合多尺度的上下文信息，同时保持相同的分辨率。
nn.Upsample	变大	不变
nn.functional.interpolate	变小	不变
nn.MaxPool2d(kernel_size, stride)		不变	扩大	扩大感受野，但分辨率降低，不增加参数量 池化层（如最大池化和平均池化）被广泛用于保持不变性和控制过拟合，它们也显著降低了空间分辨率，意味着特征图的空间信息丢失。
nn.AdaptiveAvgPool2d(（H，W）)	（H,W）	不变	扩大	扩大感受野，分辨率可自定义，不增加参数量

就是将大小不同的feature map 池化成大小相同的feature map，利于输出到下一层网络中。RoI Pooling 具有位置敏感性 translation variance。卷积层位置不敏感(translation-invariance)，若在“卷积层之间”放置RoI Pooling ,RoI Pooling Layer 之后的卷积层不是共享计算的，它们是针对每个 RoI 进行特征提取的，这样做牺牲了测试速度，因为所有 RoIs 都要经过若干层卷积计算，测试速度会很慢，所以不能直接这样做。

 

deformable convolution和deformable ROI pooling