在卷积神经网络中，感受野这一概念应如何理解？请阐述其定义、影响因素以及它如何影响网络对输入图像特征的捕捉能力。

回答思路

1. 【回答框架 1】感受野定义为卷积神经网络中每一层输出特征图上的一个像素点对应输入图像上的区域大小。它决定了该层神经元能“看到”的输入范围，是理解特征提取层次性的关键。
2. 【回答框架 2】感受野的大小受卷积核尺寸、步长、填充和网络深度影响。增大卷积核或加深网络能扩大感受野，而池化操作也能有效增加感受野，使高层特征包含更多上下文信息。
3. 【回答框架 3】较大的感受野有助于捕捉全局特征和长距离依赖，但可能增加计算量；较小的感受野则保留更多局部细节，适合处理精细纹理。设计网络时需在感受野大小与计算成本之间权衡。
4. 【回答框架 4】实际应用中，如目标检测和语义分割，感受野的匹配至关重要。例如，深层特征具有大感受野，适合检测大目标；浅层特征感受野小，适合捕捉小目标或边缘信息，因此特征金字塔网络等结构常被用于融合多尺度感受野特征。
5. 【回答框架 5】在构建网络时，可通过理论计算感受野，公式为：output_size = (input_size - kernel_size + 2*padding)/stride + 1，反向逐层推导即可得到每层的感受野。理解这一计算有助于针对具体任务调整网络结构。
6. 【关键点 1】感受野定义：输出特征图上一点对应输入区域的尺寸。
7. 【关键点 2】影响因素：卷积核大小、步长、填充、池化层和网络深度。
8. 【关键点 3】大小权衡：大感受野利于全局特征，小感受野保留细节。
9. 【关键点 4】实际应用：多尺度特征融合（如FPN）利用不同层次感受野。
10. 【关键点 5】计算方法：逐层反向推导，使用标准卷积输出公式。
11. 【易错点 1】混淆理论感受野与实际有效感受野，实际有效范围通常小于理论值。
12. 【易错点 2】忽略步长和填充对感受野的影响，导致计算错误。
13. 【易错点 3】认为感受野越大越好，忽略计算开销和过拟合风险。