feature map理解
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. ...
最新文章
- mysql中关系怎么弄_mysql数据库关系操作
- 掌握 MySQL 这 19 个骚操作,效率至少提高3倍
- 飞哥:程序员完全没时间提升自己该怎么办?
- go发布一个公开的自定义仓库包
- 如何使用点击超链接的方式打开Android手机上的应用
- Android 旋转木马轮播,jQuery旋转木马式幻灯片轮播特效
- 微信小程序怎么扩展服务器,小程序服务器可扩展的配置方案
- 告别枯燥,这本插画式 Python 书难怪销量 70W+
- Java之java.lang.CloneNotSupportedException,Java中bean的克隆报错
- jdk的安装及环境变量的配置
- android 外接键盘,安卓手机外接键盘测评
- win7一点计算机就卡死,win7系统电脑经常卡住假死页面关不掉的解决方法
- java生成密码生成
- 《MATLAB 神经网络43个案例分析》:第14章 基于SVM的数据分类预测——意大利葡萄酒种类识别
- matlab的RI是什么,LTE上报的CQI、PMI、RI分别有什么用
- 微信小程序超出内容换行
- 专升本第一讲(计算机的“前世今生”)
- tpx色卡电子版_潘通色卡电子版下载
- DDD领域驱动实现概要设计
- Java开发环境的搭建—Java JDK的下载与安装!