理解CNN中的特征图 feature map

2024-05-13 13:50:15

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。

feature map尺寸计算方法：

INPUT为32*32，filter的大小即kernel size为5*5，stride = 1，pading=0,卷积后得到的feature maps边长的计算公式是：
output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1
所以，卷积层的feature map的变长为：conv1_h=（32-5）/1 + 1 = 28
卷积层的feature maps尺寸为28*28.
由于同一feature map共享权值，所以总共有6*（5*5+1）=156个参数。

其它层：

层与层之间会有若干个卷积核(kernel)(也称为过滤器)，上一层每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map，有N个卷积核，下层就会产生N个 feather map

理解CNN中的特征图 feature map相关推荐

cnn 回归坐标特征图_RCNN, Fast R-CNN 与 Faster RCNN理解及改进方法
RCNN 这个网络也是目标检测的鼻祖了.其原理非常简单,主要通过提取多个Region Proposal(候选区域)来判断位置,作者认为以往的对每个滑动窗口进行检测算法是一种浪费资源的方式.在RCNN中 ...
如何理解CNN中的感受野（receptive-field）以及如何计算感受野？
本文转载自博客园用户@shine-lee的彻底搞懂感受野的含义与计算. 1. 感受野(Receptive-Field, RF)是什么? The receptive field is defined a ...
CNN训练可视化特征图（tensorflow2.x实现）
CNN训练可视化(tensorflow2.x实现) 原理介绍实例化VGG16 加载图片并进行预处理预测图片获取指定层对应的输出可视化CNN训练过程原理介绍卷积层由多个卷积核组成,可以将每个 ...
机器学习中的特征重要性 Feature Importance
Feature Importance 闲话几周没用CSDN,发现编辑器的字体变了.最近看了几篇讲特征重要性的文章.在这里[简要]记录一下我的总结,对不熟悉相关知识的读者做个导航. 优点知道数据中的 ...
如何理解CNN中的权值共享
记录一下深度学习中CNN中的权值共享首先,卷积网络的核心思想是将:局部感受野.权值共享(或者权值复制)以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移.尺度.形变不变性. 通俗理解,所 ...
YOLOV3代码与原理相互结合的理解（重点在特征图的输出的元素的解析）
YOLOV3的原理浅谈我会用非简短的语言说明一下yolov3的原理和我认为的一些特点. 我们以训练的角度来说一下 1:首先我们允许输入不同大小,不同长宽比的训练集图片,因为我们会对图片进行一个统一的 ...
cnn 回归坐标特征图_论文笔记 | CNN 是怎么学到图片绝对位置信息的
来自 | 知乎作者丨Xinlong Wang来源丨https://zhuanlan.zhihu.com/p/99766566编辑 | 深度学习这件小事仅作学术交流,如有侵权,请联系删文昨天读到一篇挺 ...
【Java】如何理解Java中的双列集合Map？
1 Map<K,V>接口 1.1 特点双列集合一个元素包含俩值 Key不可以重复,Value可以重复 Key和Value一一对应 Key和Value可以时任意类型 1.2 常用方法 pu ...
深度学习中的特征（feature）指的是什么？
一般在machine learning意义上,我们常说的feature,是一种对数据的表达.当然,要衡量一种feature是否是合适的表达,要根据数据,应用,ML的模型,方法....很多方面来看. 一 ...

最新文章

热门文章