在卷积神经网络（CNN）中，特征图是在传递给卷积层的图像上发生卷积操作后卷积层的输出。
特征图是如何形成的？
在上面的插图中，我们可以看到特征图是如何从提供的输入图像中形成的。
要发送到卷积层的图像是一个包含像素值的多维阵列。卷积层包括将与图像相乘的矩阵过滤器，结果将是特征图。
如果我们有多个过滤器，每个过滤器都会单独乘以输入图像，并为每个过滤器返回不同的特征图。
如何调整特征图
要调整特征图，我们可以使用下面列出的三种方法。
-
步长：这指的是我们希望过滤器在输入图像上的每次乘法操作后移动的跳跃次数。N的步长意味着N个像素跳跃。大的步长值减少了特征图的大小。
-
深度：它指的是我们希望用于卷积操作的过滤器数量。每个过滤器都给出了一个单独的特征图。N个过滤器将提供N个特征图。
-
填充：我们还可以通过在输入图像的边框上添加额外的像素来为原始输入图像提供填充。
在下面的图表中，我们可以看到这三种方法如何共同形成特征图。
特征图的使用
特征图用于卷积神经网络有几个原因，其中一些如下所述。
-
检测重要特征：最初，特征图捕获低级特征，但当它们传播到连续层时，它们会检测新模式并将其组合起来形成高级特征。
-
特征共享：特征图通过神经网络中的多个层进行图像处理；因此，前几层发现的特征传播到每个连续层。
-
对象识别：特征图也可以传递给人工神经网络，该网络可以训练来预测图像中的对象。
-
图像分割：功能图可以将图像划分为不同的片段，每个片段代表未分割图像的有意义的部分。
总结
特征图是卷积神经网络的核心组成部分，因为它们从输入图像中捕获基本特征，以帮助网络决策。此外，它们允许CNN通过丢弃不需要的数据和保留重要信息来更快地处理大型数据集。
