卷积神经网络 feature map是指什么

特征映射，是输入图像和卷积核卷积后生成的feature map，图像的特征。

CNN中feature map可视化有哪些思路和方法吗

卷积特征的可视化，有助于我们更好地理解深度网络。卷积网络在学习过程中保持了图像的空间结构，也就是说最后一层的激活值（feature map）总和原始图像具有空间上的对应关系，具体对应的位置以及大小，可以用感受野来度量。利用这点性质可以做很多事情：

1 前向计算。我们直接可视化网络每层的 feature map，然后观察feature map 的数值变化. 一个训练成功的CNN 网络，其feature map 的值伴随网络深度的增加，会越来越稀疏。这可以理解网络取精去燥。

2 反向计算。根据网络最后一层最强的激活值，利用感受野求出原始输入图像的区域。可以观察输入图像的那些区域激活了网络，利用这个思路可以做一些物体定位。

同一个卷积层中的 Feature Map有什么区别

尝试结合神经科学对第一个问题简单说说自己的理解，轻黑。

在CNN的设定里，Feature Map是卷积核卷出来的，而不同的特征提取（核）会提取不同的feature，模型想要达成的目的是解一个最优化，来找到能解释现象的最佳的一组卷积核。例如某个核如果形似gabor算子，就会提取出边缘信息的feature，但这个特征too simple，很可能不是模型需要的特征。这与人脑神经网络（暂且这么叫吧）的功能是很相似的，

比如gabor算子模拟了V1具有方向选择性的神经元，这些神经元被称为simple cell，只能对orientation做出响应，人脑依靠这些神经元检测出图像的边缘信息。但simple cell的功能也仅此而已，人脑若要完成一些更高级的功能（visual attention, object recognition），就需要更复杂的神经元，

例如complex cell和hypercomplex cell，它们能对信号做一些更复杂的变换，而恰恰神经科学的证据表明，它们“很可能”是由V1的多个simple cell的输出信号组合而成的，比如V4的一些cell可能对angle做出响应等；考虑一个object recognition的任务，object自身具有不同的特征，不同的复杂的cell编码了其不同的特征，组合起来表达这样一种object。CNN的设定中的feature map也就对应了各层cell的信号输出。