什么是特征图（Feature Map）

特征图（Feature Map）概念概述

特征图是卷积神经网络（CNN）等深度学习模型中，用来表示输入数据在某一层经过卷积、激活等运算后得到的“特征”集合。它本质上是一组二维（或三维）矩阵，记录了网络对局部模式的响应强度。

1. 产生过程

1. 卷积运算
   • 输入（如图像）与若干卷积核（filter）进行滑动卷积。每个卷积核对应一个输出通道。
   • 对于每个位置，卷积核与局部感受野做点乘并求和，得到一个标量。
2. 加偏置 & 激活函数
   • 将偏置项加到卷积结果上，再通过 ReLU、Sigmoid、Tanh 等非线性激活函数，得到激活值。
3. 形成特征图
   • 对同一卷积核在整个输入上滑动得到的所有激活值排列成一个矩阵，这个矩阵就是该卷积核对应的 特征图。
   • 若有  个卷积核，则会产生  张特征图，堆叠在一起形成形状为  的张量，其中  为卷积后特征图的高度和宽度。

2. 直观意义

• 空间位置：特征图的每个像素点对应原始输入的一个感受野（局部区域），数值越大表示该区域越符合卷积核所捕捉的模式（如边缘、纹理、颜色变化等）。
• 通道维度：不同通道的特征图对应不同的卷积核，分别检测不同的特征模式。网络通过组合这些通道的响应，逐层构建更抽象的语义信息。

3. 常见类型

4. 可视化

• 激活可视化：将特征图直接映射为灰度图或热力图，可观察网络对不同区域的关注程度。常用于模型解释、调试和网络结构改进。
• 通道聚合：对所有通道取均值或最大值，得到整体激活图，帮助快速了解整层的响应热点。

5. 与其他概念的关系

• 激活图（Activation Map）‍：在很多文献中，特征图与激活图是同义词，指卷积层输出的激活值。
• 感受野（Receptive Field）‍：特征图的每个像素对应的感受野大小随网络深度增大而扩大，决定了特征的尺度。
• 池化层：池化操作会对特征图进行下采样，降低空间分辨率但保留显著特征。

6. 示例（以 3×3 卷积核为例）

假设输入为  的灰度图，卷积核大小为 ，步幅为 1、无填充：

1. 卷积核在输入上滑动 3×3 次，共产生  个输出值。
2. 这 9 个输出值排列成一个  的矩阵，即该卷积核的 特征图。
3. 若使用 8 个不同的卷积核，则会得到形状为  的特征图张量。

7. 小结

特征图是卷积神经网络中用于表达局部特征响应的核心数据结构。它通过卷积核在输入上滑动、激活函数映射，形成多通道的空间特征表示，为后续的层级抽象、分类或检测任务提供了丰富的视觉信息。理解特征图的生成与意义，有助于更好地设计网络结构、调试模型以及解释模型行为。