前不久，把烤箱玩得比较溜，结果肚子也玩得比较大QAQ…发奋减肥中(写100行代码，减1斤肉)
Flag:
- 写100行代码，减1斤肉
背景
回到正题，最近在研究，实践VOT(visual object tracking，视觉目标追踪)相关的东西。用一些非常简单的原理，弄出个比较简单的demo(https://www.bilibili.com/video/BV1dv411q7ii)。然后开始注意到一点，就是网络对不同尺度目标的一个检出效果。
什么是感受野？
感受野是fmap上的一个cell所对应的原始图像上的大小。
如果感受野大，那么每个cell所呈现的特征，更加偏向于全局特征。
如果感受野小，那么每个所呈现的特征，更加偏向于局部特征。
一般来说，网络的深度越深，感受野越大，网路的性能越好
感受野对于检测效果
在yolov2中，整个网络就只有一个分支，也就是最后conv完，输出的是一个高层的fmap。这个fmap每个cell的感受野是单一的，所以对小目标的检出不太好。
而在yolov3中，整个网络有三个分支，分别对应三个尺度的fmap。
当fmap越大时，感受野越小，网络容易捕获到比较小的局部特征，利于检出小目标。
当fmap越小时，感受野越大，网络比较容易捕获到较大特征特征，利于检出大目标。
为什么做Tracking要研究感受野问题？
因为在进行tracking时，常常要考虑目标尺度的的放大和缩小问题。如果用单一尺度的fmap，进行tracking，当目标变得比较小/比较大的时候，单纯靠不同的anchor，就无法有效进行追踪了。(从一开始的demo视频中也可以看出，当目标尺度比较小的时候，tracking基本没啥用了QAQ)