admin管理员组文章数量:1650768
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，数据可以表示为一个8*8*3的三维矩阵，也可以看作是3个8*8的二维矩阵叠在一起，即feature map是3。
Feature map的生成
以图片为对象的输入层为例，如果是一张黑白图片，即每一个像素点都只有灰度一个指标，那就可以看成只有一个feature map，如果是彩色图片，即每个像素都需要使用RGB三个通道的亮度值来表示颜色，则可以看成具有3个feature map。
上图即输入一个6*6像素的彩色RGB图片，数据规模是6*6*3，feature map是3，分别做两次3*3的卷积操作。输入层和卷积层之间会有若干个卷积核(filters)也称为过滤器。
上层的每个feature map跟一个卷积核做卷积操作，都会在下层产生一个feature map。
由此可得，有N个卷积核，下层就会产生N个feature map。在上图中，下层有3个feature map，因此卷积核(filters)的数量就是3。
在深度学习中，卷积核(filters)的数量是由网络模型指定的，确定好一个合适的filters对于模型正确提取和表达特征至关重要。
多个feature map的作用
多个feature map即上段的多个卷积核(filters)。在卷积神经网络处理图片中，我们希望用一个网络模拟视觉通路的特性，分层概念是自底向上构造一个从简单到复杂的神经元。
在同一层中，多个feature map相当于从多个不同角度来观察图片，就好比对于一个物体，我们可以从正视，俯视，侧视，斜视等多个角度来观察，在卷积神经网络中也是如此。在同一层中，我们希望得到多种描述信息，具体来说就是用多个卷积核(filters)对图像进行卷积，得到多个feature map，来作为图像的特征。他们之间的联系在于形成图像在同一层次不同基上的描述。
而在不同层中间，也有着一定规律。一般来说，下层的卷积核主要感知和收集图像的局部特征，而上层的卷积核商业转载请联系作者获得授权，非商业转载请注明出处。收集的是更大感知域中的图像特征。例如两层3*3卷积核的感知域相当于一层5*5卷积核的感知域。非常有意思的一点是，由于计算机显卡并行工作的特性，商业转载请联系作者获得授权，非商业转载请注明出处。两层3*3卷积的计算量要远小于一层5*5卷积的计算量，而且由于加深了网络的层数，更有利于非线性特征的拟合，因此深度学习中有一句话叫“The deeper, the better.”
而具体使用多少卷积核(filters)即生成多少feature map，计算多少不同角度的特征，到目前也没有一个科学的推算过程和公式，而这也是深度学习为人诟病的一点，理论支持还不够完善，很多的网络框架可以达到很好的效果，但缺少相应的数学分析，只能在论文里讲一个很好的story，结论里写一个state of the art。
但一般来说，自底向上的卷积层，卷积核的数量是不断变多的(当然也有例外，如Alexnet)，主要还是靠经验和结果来调整。
版权声明：本文标题：feature map 意义_CNN中的feature map 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/xitong/1729530825a1204780.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论