增大感受野的方法有哪些

增大感受野是指神经网络模型提高对输入图像全局信息处理能力的方式，通常用于提升模型的上下文理解能力。以下是几种常见的增大感受野的方法：

1. **深度卷积网络** (Deep Convolutional Networks, CNN)：通过增加网络层数，每一层捕获不同尺度的空间特征，深层网络能够感知更大范围的信息。

2. **池化层** (Pooling Layers)：如最大值池化或平均值池化，它们降低分辨率的同时保留重要特征，增加了网络的感受野。

3. **空间金字塔 pooling (Spatial Pyramid Pooling)**：将图像划分为不同大小的区域，分别进行池化操作，集成多尺度的特征。

4. **跳跃连接 (Skip Connections)** 或者 **残差连接 (Residual Connections)**：在卷积神经网络中引入直接连接部分前几层的路径，允许低层特征直达高层，有助于保持远处信息的流动。

5. **注意力机制 (Attention Mechanisms)**：引入自注意力模块，让模型能关注输入的不同部分，动态调整对不同位置的重视程度。

6. **U-Net / FPN (Feature Pyramid Network)**：常用于图像分割任务，它结合了粗细层次特征，提高了对全图的理解。