感受野取决于卷积核的大小，为使得感受野范围大理论上应增大卷积核，但是，卷积核增大同时运算的复杂度也随之增加；当感受野的区域不够大时，所提取的特征因感受野的范围减小从而丢失全局的特征信息。

是的，感受野的大小直接影响了卷积神经网络的特征提取能力。如果卷积核大小不够大，那么感受野的范围就会受到限制，可能无法完整地捕捉到全局的特征信息。而如果卷积核大小增大，虽然感受野的范围也会随之增大，但是计算复杂度也会随之增加，导致模型运行速度变慢。因此，在设计卷积神经网络时，需要在感受野大小和计算复杂度之间进行权衡，选择适合任务的卷积核大小。