深度学习中feature map是什么？
在每个卷积层，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，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。
在CNN的设定里，Feature Map是卷积核卷出来的,你用各种情况下的卷积核去乘以原图，会得到各种各样的feature map。
个人理解：从多角度去分析图片，不同的特征提取（核）会提取到不同的feature，模型为了达到最优解的目的，来找到能解释现象的最佳的一组卷积核。主要是和卷积核(kernel)区分开，kernel是要算的那个w权重矩阵，而feature map 是输入或者输出。
在CNN网络中roi从原图映射到feature map中的计算方法
INPUT为3232，filter的大小即kernel size为55，stride = 1，pading=0,卷积后得到的feature maps边长的计算公式是：
output_h =（originalSize_h+padding2-kernelSize_h）/stride +1
所以，卷积层的feature map的变长为：conv1_h=（32-5）/1 + 1 = 28
卷积层的feature maps尺寸为2828.
由于同一feature map共享权值，所以总共有6*（5*5+1）=156个参数。
转载：https://blog.csdn.net/w13940062279/article/details/125727261
参考：https://blog.csdn.net/boon_228/article/details/81238091