前不久，把烤箱玩得比較溜，結果肚子也玩得比較大QAQ…發奮減肥中(寫100行代碼，減1斤肉)
Flag:
- 寫100行代碼，減1斤肉
背景
回到正題，最近在研究，實踐VOT(visual object tracking，視覺目標追蹤)相關的東西。用一些非常簡單的原理，弄出個比較簡單的demo(https://www.bilibili.com/video/BV1dv411q7ii)。然後開始注意到一點，就是網絡對不同尺度目標的一個檢出效果。
什麼是感受野？
感受野是fmap上的一個cell所對應的原始圖像上的大小。
如果感受野大，那麼每個cell所呈現的特徵，更加偏向於全局特徵。
如果感受野小，那麼每個所呈現的特徵，更加偏向於局部特徵。
一般來說，網絡的深度越深，感受野越大，網路的性能越好
感受野對於檢測效果
在yolov2中，整個網絡就只有一個分支，也就是最後conv完，輸出的是一個高層的fmap。這個fmap每個cell的感受野是單一的，所以對小目標的檢出不太好。
而在yolov3中，整個網絡有三個分支，分別對應三個尺度的fmap。
當fmap越大時，感受野越小，網絡容易捕獲到比較小的局部特徵，利於檢出小目標。
當fmap越小時，感受野越大，網絡比較容易捕獲到較大特徵特徵，利於檢出大目標。
爲什麼做Tracking要研究感受野問題？
因爲在進行tracking時，常常要考慮目標尺度的的放大和縮小問題。如果用單一尺度的fmap，進行tracking，當目標變得比較小/比較大的時候，單純靠不同的anchor，就無法有效進行追蹤了。(從一開始的demo視頻中也可以看出，當目標尺度比較小的時候，tracking基本沒啥用了QAQ)