特徴マップとは

特徴マップは、CNNが「画像のどこに、どんな特徴があるか」を記録した地図です。畳み込み層の出力そのもので、次の層への入力にもなります。

どうやって作られるか

畳み込み層では、フィルタ（カーネル）と呼ぶ小さな重みの表を、入力の上で少しずつずらしながら当てます。各位置で重なった値どうしを掛けて合計し、その値を元の位置関係のまま並べます。こうしてできた2次元の表が、1枚の特徴マップです。学習で更新されるのはフィルタの重みで、特徴マップは入力が変わるたびに計算し直される出力です。

たとえば縦線に反応するフィルタなら、入力に縦線がある場所で大きな値になります。1枚のフィルタは入力の全チャネルにまたがって計算し、1枚の特徴マップを作ります。そのため、出力のチャネル数はフィルタの枚数と同じです。カラー画像（3チャネル）に64枚のフィルタを使えば、64チャネルの特徴マップが出力されます。

サイズの求め方

特徴マップの縦横のサイズは、次の式で求めます。割り切れないときは、小数点以下を切り捨てます。

出力サイズ = (入力サイズ + 2 × パディング − フィルタサイズ) ÷ ストライド + 1

パディングで入力の周囲を埋めると小さくなりにくく、ストライドを大きくすると小さくなります。プーリング層は、チャネルごとに縦横を縮める処理で、チャネル数は変えません。

層による違い

入力に近い層の特徴マップは、エッジや色の変化のような単純な模様に反応します。層が深くなるにつれて、目や車輪のような部位、さらに物体全体のような抽象的な特徴に反応するようになります。深い層ほど、縦横が小さくなる代わりにチャネル数が増えるのが一般的です。

最後の畳み込み層の特徴マップは、Grad-CAMによる判断根拠の可視化や、物体検出・セグメンテーションのモデルでも使われます。

覚え方

「フィルタ1枚につき、地図が1枚」と覚えます。