特征图（feature map）理解

1.什么是特征图？  

在目标检测任务中，需要将原始图片处理成feature map再放入卷积神经网络进行特征提取。feature map即张量。至于标量、向量、矩阵、张量的区别，代码1可以直观说明。

代码块1：

import numpy as np

scalar = np.array(1)                                     #标量
vector = np.array([1,2,3,4])                          #向量
matrix = np.array([[1,2,3],[4,5,6],[7,8,9]])     #矩阵
tensor = np.array([[[1,2],[3,4]],[[5,6],[7,8]]])  #张量

以输出的形式举一个8x8x3feature map的例子，如代码块2所示。

• 8x8 表示特征图的空间维度，具体指的是特征图的高度和宽度。在这个例子中，特征图的大小为8行（高度）和8列（宽度），即在一个二维平面上，有8行和8列的像素点。

• 3 表示特征图的深度或通道数。这意味着该特征图具有3个通道。通道可以被理解为特征图在不同方面上的表达，例如在 RGB 彩色图像中，通常有红色通道、绿色通道和蓝色通道。每个通道都包含了特定的信息，从而形成了完整的特征图。

代码块2： 

import numpy as np

# 创建一个8x8x3的随机特征图
feature_map = np.random.rand(8, 8, 3)

# 显示特征图的形状
print("特征图形状：", feature_map.shape)
print("特征图：")
print(feature_map)

输出结果：

2.特征图的计算

假设我们有一个大小为 8x8x3 的输入特征图（高度为8，宽度为8，通道数为3）。现在考虑使用一个 3x3 大小的卷积核进行卷积操作，并设置步幅（stride）为 2，填充（padding）为 1 的情况。

1. 输入特征图大小：8x8x3
2. 卷积核大小：3x3
3. 步幅：2
4. 填充：1

根据以下公式计算输出特征图的大小：输出特征图的高度和宽度 = ((输入特征图的尺寸 - 卷积核的尺寸 + 2 * 填充) / 步幅) + 1

输出特征图的高度和宽度 = ((8 - 3 + 2 * 1) / 2) + 1 = (7 / 2) + 1 = 3.5 + 1 = 4.5向下取整，输出特征图的大小将被舍入为4x4。

输出特征图的通道数=卷积核的通道数