在MTCNN框架下分析P_Net的特征映射关系

PNet是一种全卷积神经网络, 特别针对不同尺寸的输入数据设计, 最终生成的是具有维度大小为W \times H \times 2和W \times H \times 4两个特征图, 其中W \times H \times 4通道对应于候选框在特征图中的具体位置坐标信息, 并将其与原始图像的空间信息关联起来, 随后会对这一空间变换关系进行深入分析。

一、什么是感受野
在卷积神经网络CNN中，某一层输出结果中一个元素所对应的输入层区域大小被称为感受野receptive field。感受野的大小由kernel size stride padding outputsize这四个参数共同决定了。

卷积过程中的词语含义：
•一张大小为W等于28的输入图像
•一个大小为K等于5的卷积核
•滑动步长设置为stride等于1
当使用'valid' padding时
根据计算公式得出：隐藏层边长为(W−K)/S+1的结果是高度和宽度均为( ( )), 即可获得( )_ ( ) 的隐层神经元数量。
当Padding设为'SAME'时
通过