特征图

特征图是卷积操作的输出（由卷积层执行）。

应用内核时$K_1$到输入图像$I$（即你执行卷积操作$K_1$)，你生成一个特征图$F_1$. 我们可以将这个操作表示为$F_1 = I \circledast K_1$. 请注意，卷积（或互相关）可以看作是内核的不同子区域的乘积。这些乘法中的每一个都会产生特征图的标量值。$K_1$$I$$F_1$

如果您使用另一个内核执行另一个卷积操作，则会生成另一个特征图。因此，如果您不同的内核次特征图，这些特征图通常连接起来形成一个特征图块，我们可以用表示。因此，特征图的总数等于，即您与卷积的内核数。$K_2$$F_2$$n$$n$$n$$\mathbf{F}$$n$$I$

特征图的每个元素，我们可以用（即矩阵和处的元素），可以被认为是“神经元的激活”。$F_i \in \mathbb{R}^{w \times h}$$F_{i_{jk}}$$j$$k$$F_i$

或者，您可以将特征图视为由内核生成的特征的集合/映射（因此称为特征图）。换句话说，中提取某些特征。另一个内核可能会提取其他特征，依此类推。$K_i$$K_i$$I$$K_l$

感受野

感受野是输入图像的一部分，用于计算特征图中神经元（又名节点）的激活。

因此，我们谈论“特征图中神经元的感受野”。您可以阅读此答案以了解更多卷积层中的神经元是什么。

插图

此图应总结上述说明。

× 46的二维矩阵。有特征图（因此内核与输入图像进行卷积）。的图像的 3 维子区域。请注意，在这种 2d 卷积的情况下，内核具有与输入图像相同的深度（即）。$46 \times 46$$100$$100$$5 \times 5 \times 3$$3$

深层神经元的感受野

卷积层的输出，我们在上面用表示（即所有特征图的串联），是 CNN 下一层的输入。如果该层是卷积层，那么它将产生其他特征图。与这些特征图相关的神经元的感受将不对应于与第一卷积层产生的特征图相关的神经元的感受野。事实上，随着你深入 CNN，神经元的感受野会增加。您可以在此处阅读更多关于它如何增加的信息或观看此视频$\mathbf{F}$$\mathbf{F}'$$\mathbf{F}'$. 这就是为什么我们可以将更深层的神经元视为“查看输入图像的更一般特征”。