特徴マップとは、畳み込みニューラルネットワーク（CNN）の層において、入力データから抽出された特徴の空間的な分布や強度を示す2次元の配列データです。画像認識やパターン検出などにおいて、AIがどこに着目しているかを可視化する際にも重要な役割を果たします。
特徴マップとは
特徴マップとは、畳み込みニューラルネットワーク（CNN）の内部で、入力画像のエッジや形状などの要素がどこに存在するかを表現したテンソルデータのことです。
詳しく解説
畳み込みニューラルネットワーク（CNN）の畳み込み層では、フィルター（カーネル）を入力画像の上でスライドさせながら積和演算を行い、特定のパターンを検出します。このフィルターごとに計算された出力結果の集まりが特徴マップです。ネットワークが浅い層ではエッジや色などの単純な特徴が抽出され、深い層に進むにつれて、より抽象的で複雑な物体の一部や全体像が捉えられるようになります。これにより、AIは高精度な画像認識や物体検出を実現しています。
具体例・使われ方
例えば、顔写真を畳み込みニューラルネットワークに入力した場合、初期の層の特徴マップでは輪郭や目鼻の輪郭線が強調され、深層の特徴マップでは「目」「鼻」「口」といった高次な要素がそれぞれ別のマップとして表現されます。また、この特徴マップを画像として可視化することで、モデルが画像のどの部分に反応して判定を下したのかを解釈するヒートマップ作成などに利用されます。
似た用語との違い
入力データそのもののピクセル配列とは異なり、特徴マップはフィルターによって抽象化された特徴の強弱を表す数値データです。また、全結合層のベクトル表現とも異なり、元の画像の空間的な位置情報（どこにあるか）を保持している点が大きな違いです。
注意点
特徴マップの数値や形状は、フィルターのサイズ、ストライド、パディングの設定によって大きく変化するため、ネットワーク設計時にはパラメータの整合性に注意が必要です。また、深層化するにつれて空間解像度が低下するため、位置情報の精度と抽象化のバランスをとる必要があります。