找不到文章出处了

Feature Map是什么

在CNN的设定里，Feature Map是卷积核卷出来的,你用各种情况下的卷积核去乘以原图，会得到各种各样的feature map。你可以理解为你从多个角度去分析图片。，而不同的特征提取（核）会提取不同的feature，模型想要达成的目的是解一个最优化，来找到能解释现象的最佳的一组卷积核。

例如某个核如果形似gabor算子，就会提取出边缘信息的feature，但这个特征too simple，很可能不是模型需要的特征。这与人脑神经网络（暂且这么叫吧）的功能是很相似的，比如gabor算子模拟了V1具有方向选择性的神经元，这些神经元被称为simple cell，只能对orientation做出响应，人脑依靠这些神经元检测出图像的边缘信息。
但simple cell的功能也仅此而已，人脑若要完成一些更高级的功能（visual attention, object recognition），就需要更复杂的神经元，例如complex cell和hypercomplex cell，它们能对信号做一些更复杂的变换，而恰恰神经科学的证据表明，它们“很可能”是由V1的多个simple cell的输出信号组合而成的，比如V4的一些cell可能对angle做出响应等；考虑一个object recognition的任务，object自身具有不同的特征，不同的复杂的cell编码了其不同的特征，组合起来表达这样一种object。CNN的设定中的feature map也就对应了各层cell的信号输出。'

举例：

同一层：

Fliter1 的w1,b1 运算后提取的是形状边缘的特征： feature map1

Fliter2 的w2,b2 运算后提取的是颜色深浅的特征： feature map2

下一层：

Fliter3 的w3,b3 运算后提取的是直线形状的特征： feature map3

Fliter4 的w4,b4 运算后提取的是弧线形状的特征： feature map4

Fliter5 的w5,b5 运算后提取的是红色深浅的特征： feature map5

Fliter6 的w6,b6 运算后提取的是绿色深浅的特征： feature map6

同一个卷积层中的 Feature Map有什么区别？

在卷积神经网络中，我们希望用一个网络模拟视觉通路的特性，分层的概念是自底向上构造简单到复杂的神经元。楼主关心的是同一层，那就说说同一层。
我们希望构造一组基，这组基能够形成对于一个事物完备的描述，例如描述一个人时我们通过描述身高/体重/相貌等，在卷积网中也是如此。在同一层，我们希望得到对于一张图片多种角度的描述，具体来讲就是用多种不同的卷积核对图像进行卷，得到不同核（这里的核可以理解为描述）上的响应，作为图像的特征。他们的联系在于形成图像在同一层次不同基上的描述。下层的核主要是一些简单的边缘检测器（也可以理解为生理学上的simple cell）。

深入讨论下

在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。

抄完了。，。。

feature map理解相关推荐

深入理解深度学习中的【卷积】和 feature map
深入理解深度学习中的卷积和feature map 虽然深度学习和CNN的概念已经传遍大街小巷,本文还是说一说CNN中的卷积. 本文主要介绍卷积层的结构.下图显示了CNN中最 ...
CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解
feature map.卷积核.卷积核个数.filter.channel的概念解释 feather map的理解在cnn的每个卷积层,数据都是以三维形式存在的.你可以把它看成许多个二维图片叠在一起( ...
理解CNN中的特征图 feature map
feature map的含义在每个卷积层,数据都是以三维形式存在的.你可以把它看成许多个二维图片叠在一起,其中每一个称为一个feature map.在输入层,如果是灰度图片,那就只有一个featur ...
原始图片中的ROI如何映射到到feature map?（转）
链接:https://zhuanlan.zhihu.com/p/24780433 链接:https://www.cnblogs.com/objectDetect/p/5947169.html 在SPP ...
卷积神经网络中feature map是什么
个人理解卷积神经网络中feature map的含义在每个卷积层,数据都是以三维形式存在的.你可以把它看成许多个二维图片叠在一起,其中每一个称为一个feature map.在输入层,如果是灰度图片,那 ...
卷积网络中的通道(channel）和特征图（feature map）
卷积网络中的通道(Channel)和特征图转载自:https://www.jianshu.com/p/bf8749e15566 今天介绍卷积网络中一个很重要的概念,通道(Channel),也有叫特征 ...
feature map 意义_CNN中的feature map
Feature map的理解在cnn的每个卷积层,数据都是以三维的形式存在的.因此就可以将其看成是许多个二维的面叠在一起,而其中的每一个面,都称作一个feature map. 例如上图中的A0层,数 ...
【Deep Learning】VGG16之feature map学习笔记
最近学习BeautyGAN需要用到VGG16提取的feature map进行训练,简单学习了一些关于VGG16和feature map相关的内容. VGG16网络结构 VGG16总共有16层,13个卷 ...
【目标检测】SPP-Net中候选区域在原图和feature map之间的映射关系
目录:候选区域在原图和feature map之间的映射关系一.问题转化 1. 什么是感受野?以及感受野大小如何计算? 2. 感受野上的坐标映射 3. 论文中关于特征映射的讲解二.何凯明演讲的PPT ...
卷积后feature map尺寸计算公式
像素宽度:W(Width) 填充大小:P(Padding) 卷积核大小:K(Kernel-size) 步长大小:S(stride) 卷积后所得feature map尺寸大小计算公式如下: 补充: 1. ...

feature map理解

Feature Map是什么

同一个卷积层中的 Feature Map有什么区别？

深入讨论下

feature map理解相关推荐

最新文章

热门文章