Карта признаков

Карта признаков (Feature Map) — это многомерный массив значений, который формируется на выходе слоя нейросети (обычно сверточного), отражающий активность нейронов при обработке входных данных. Каждое значение карты признаков указывает, насколько сильно определённый фильтр (ядро свёртки) реагирует на локальные паттерны во входном изображении или сигнале. Feature map является ключевым промежуточным представлением данных, позволяющим модели выявлять иерархические признаки.

🧠 Механизм работы:

1. Входное изображение или предыдущий слой представляется в виде тензора.
2. Сверточный слой применяет несколько фильтров (ядер свёртки), каждый из которых реагирует на определённые паттерны (например, края, текстуры).
3. Результат применения каждого фильтра формирует отдельную карту признаков.
4. При необходимости карты проходят функции активации (ReLU, Sigmoid, Tanh) и/или пулинг для уменьшения размерности.

🔑 Основные особенности:

• Каждая карта признаков соответствует реакции одного фильтра на входные данные.
• Позволяет модели выявлять локальные и глобальные паттерны на разных уровнях абстракции.
• Используется в CNN для обработки изображений, видео и других структурированных данных.
• Может быть многоканальной: несколько фильтров создают несколько карт признаков на одном слое.

📌 Примеры применения:

• Компьютерное зрение: обнаружение краёв, текстур, объектов и лиц.
• Генеративные модели: визуализация активаций слоёв при генерации изображений.
• Медицинская диагностика: выявление аномалий на рентгеновских снимках и МРТ.
• Распознавание видео и действий: анализ пространственно-временных паттернов.

⚖️ Преимущества и недостатки:

Преимущества:

• Даёт интерпретируемое промежуточное представление данных.
• Позволяет выявлять сложные паттерны и иерархические признаки.
• Совместимо с различными архитектурами сверточных сетей.

Недостатки:

• Размер карт признаков может быть большим, что требует значительной памяти.
• Интерпретация отдельных карт признаков может быть неочевидной на высоких уровнях сети.
• Не всегда показывает глобальные зависимости вне локальных паттернов.

🧠 Связанные понятия:

• Activation Map — тождественный термин, часто используемый как синоним feature map.
• Grad-CAM — метод визуализации важности на основе карт активации и градиентов.
• ReLU/Tanh/Sigmoid — функции, формирующие значения активаций.
• Attention Map — аналогичное понятие для трансформеров, показывающее распределение внимания между токенами.

💡 Вывод:

Карта признаков (Feature Map) является ключевым инструментом в нейросетях для извлечения и визуализации признаков. Она позволяет модели выявлять локальные и глобальные паттерны в данных и служит основой для последующей обработки и принятия решений.