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。，。。