综述：CNN滤波器尺寸的影响、局限性与挑战：一项探索性研究

这篇综述挑战了卷积神经网络(CNN)中普遍采用小尺寸滤波器(3×3)的认知范式，系统探讨了大尺寸滤波器在模型性能提升中的独特价值。研究通过分析不同CNN架构下的计算效率、特征提取能力等核心指标，指出随着算力增长和图像尺寸扩大，大尺寸滤波器在感受野扩展和特征融合方面的优势将逐渐显现，为计算机视觉领域提供了新的优化思路。

　　

ABSTRACT章节解析
研究背景与目标
传统观点认为小尺寸滤波器(如3×3)在卷积神经网络(CNN)中具有最优性能，这种认知导致学术界对大尺寸滤波器的研究存在明显空白。本综述通过系统性分析指出，当前纯CNN模型中仅有极少数研究实现了大尺寸滤波器的最优性能，反映出该领域尚未被充分探索的现状。

关键发现
随着计算硬件性能的指数级提升和高分辨率图像的普及，制约大尺寸滤波器应用的传统技术瓶颈正逐步消解。研究团队通过横向对比不同架构CNN模型的表现，发现大尺寸滤波器在四个方面展现出独特优势：1)扩大感受野(receptive field)范围；2)增强多尺度特征融合能力；3)减少网络层级复杂度；4)提升特定场景下的特征判别性。

研究价值
该综述为计算机视觉领域提供了重要的方法论指导：首先破除"小尺寸滤波器最优"的思维定式，继而通过量化分析不同滤波器尺寸(从3×3到11×11不等)在ResNet、VGG等典型架构中的表现差异，建立了一套评估滤波器尺寸影响的标准化框架。研究特别强调，在医疗影像分析等需要处理高分辨率图像的领域，大尺寸滤波器可能带来突破性性能提升。

未来展望
尽管当前大尺寸滤波器的应用仍面临计算资源消耗较大的挑战，但随着分布式计算技术的发展和新一代GPU架构的优化，这种限制将逐渐减弱。综述最后呼吁学术界加强对非对称滤波器、动态尺寸滤波器等创新方向的探索，以充分释放CNN模型在复杂视觉任务中的潜力。