在卷積神經網絡（CNN）中，特征圖是在傳遞給卷積層的圖像上發生卷積操作后卷積層的輸出。
特征圖是如何形成的？
在上面的插圖中，我們可以看到特征圖是如何從提供的輸入圖像中形成的。
要發送到卷積層的圖像是一個包含像素值的多維陣列。卷積層包括將與圖像相乘的矩陣過濾器，結果將是特征圖。
如果我們有多個過濾器，每個過濾器都會單獨乘以輸入圖像，并為每個過濾器返回不同的特征圖。
如何調整特征圖
要調整特征圖，我們可以使用下面列出的三種方法。
-
步長：這指的是我們希望過濾器在輸入圖像上的每次乘法操作后移動的跳躍次數。N的步長意味著N個像素跳躍。大的步長值減少了特征圖的大小。
-
深度：它指的是我們希望用于卷積操作的過濾器數量。每個過濾器都給出了一個單獨的特征圖。N個過濾器將提供N個特征圖。
-
填充：我們還可以通過在輸入圖像的邊框上添加額外的像素來為原始輸入圖像提供填充。
在下面的圖表中，我們可以看到這三種方法如何共同形成特征圖。
特征圖的使用
特征圖用于卷積神經網絡有幾個原因，其中一些如下所述。
-
檢測重要特征：最初，特征圖捕獲低級特征，但當它們傳播到連續層時，它們會檢測新模式并將其組合起來形成高級特征。
-
特征共享：特征圖通過神經網絡中的多個層進行圖像處理；因此，前幾層發現的特征傳播到每個連續層。
-
對象識別：特征圖也可以傳遞給人工神經網絡，該網絡可以訓練來預測圖像中的對象。
-
圖像分割：功能圖可以將圖像劃分為不同的片段，每個片段代表未分割圖像的有意義的部分。
總結
特征圖是卷積神經網絡的核心組成部分，因為它們從輸入圖像中捕獲基本特征，以幫助網絡決策。此外，它們允許CNN通過丟棄不需要的數據和保留重要信息來更快地處理大型數據集。
