在使用fast rcnn以及faster rcnn做检测任务的时候，涉及到从图像的roi区域到feature map中roi的映射，然后再进行roi_pooling之类的操作。比如图像的大小是（600,800），在经过一系列的卷积以及pooling操作之后在某一个层中得到的feature map ...

feature map的含义(摘自这篇知乎) Feature Map(特征图)是输入图像经过神经网络卷积产生的结果 。 层与层之间会有若干个卷积核(kernel)，每一层中的每个feature map跟每个卷积核做卷积，对应产生下一层的一个feature map。 feature map ...

CNN中feature map、卷积核、卷积核的个数、filter、channel的概念解释 参考链接： https://blog.csdn.net/xys430381_1/article/details/82529397 作者写的很好，解决了很多基础问题。 feather map ...

low-level feature:通常是指图像中的一些小的细节信息，例如边缘(edge)，角(corner), 颜色(color),像素(pixels),梯度(gradients)等，这些信息可以通过滤波器、SIFT或HOG获取； hight-level feature:是建立在low ...

具体可以看这篇文章，写的很详细。https://blog.csdn.net/xys430381_1/article/details/82529397 ...

feature map、卷积核、卷积核个数、filter、channel的概念解释 feather map的理解 在cnn的每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起（像豆腐皮一样），其中每一个称为一个feature map。 feather map 是怎么生成 ...

原文地址：https://blog.csdn.net/xys430381_1/article/details/82529397 feature map、卷积核、卷积核个数、filter、channel的概念解释 feather map的理解 在cnn的每个卷积层，数据都是 ...

符号表示： $W$：表示当前层Feature map的大小。 $K$：表示kernel的大小。 $S$：表示Stride的大小。 具体来讲： 整体说来，和下一层Feature map大小最为密切的就是Stride了，因为按照CNN的移动方式，是根据Stride来进行移动的，因此除了最后 ...