---
title: "特徵圖（Feature Map）"
slug: feature-map
language: zh-TW
source: https://aiterms.tw/terms/feature-map
updated_at: 2026-07-04
tags: [電腦視覺, 神經網路, 深度學習, 特徵工程, source:ipas]
ipas_term: true
---

# 特徵圖（Feature Map）

特徵圖是卷積神經網絡中，經過卷積層運算後所產生的多維陣列，用於呈現輸入資料的特定局部特徵與空間結構。

## 完整說明

特徵圖是一種在卷積神經網絡運作過程中產生的多維度陣列結構，用於記錄輸入影像經過卷積核處理後所萃取出的局部圖形特徵與空間分佈。它能夠逐層將低階特徵組合為高階語意，常見應用包括影像分類、物件偵測以及語意分割等電腦視覺任務。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 為什麼在深度學習中要特地去視覺化特徵圖？

視覺化特徵圖是理解與診斷卷積神經網絡運作狀態的重要手段。神經網絡通常被視為黑盒子，開發者很難直接從密集的權重矩陣中判斷模型到底學到了什麼。透過將特徵圖轉換回人類可視的影像形式，研究人員可以觀察到網絡在不同層次所關注的區域與特徵種類。例如，若發現深層特徵圖無法突顯出目標物體的輪廓，反而聚焦於背景雜訊，就表示模型可能發生了過度擬合或是訓練資料存在偏差。這項技術對於模型除錯、架構改進以及提升模型可解釋性都有著實用價值。

### 特徵圖的空間維度大小對模型效能有什麼具體影響？

特徵圖的空間維度直接關聯到網絡對細節的捕捉能力與計算資源的消耗。較大的空間維度意味著特徵圖保留了極高的影像解析度，能夠精準定位邊緣與小物件，這在物件偵測與醫學影像分割中非常關鍵。然而，維持高維度會導致大量的矩陣運算與記憶體需求，拖慢訓練與推論速度。相反地，較小的空間維度雖然計算快速，但會喪失關鍵的空間細節，使得模型難以區分緊密相連的物體。因此，在設計網絡時，如何在保留空間細節與控制運算成本之間取得平衡，是架構設計的挑戰。

### 如果發現模型產生的特徵圖中出現大量無作用的空白通道，該如何處理？

當特徵圖出現大量沒有啟動反應的空白或冗餘通道時，這通常代表模型的參數過剩，或是現有的卷積核無法從資料中學到有用的特徵。為了解決這個問題，工程師可以考慮減少網絡中卷積核的數量，或是引入網絡剪枝技術，將這些對預測結果貢獻度極低的通道直接移除，以此來壓縮模型體積並加速運算。另外，加入通道注意力機制也是一個有效的方法，它可以讓模型在訓練過程中自動學會降低冗餘通道的權重，將計算資源集中在能夠提供豐富語意資訊的關鍵特徵通道上。

---

來源：https://aiterms.tw/terms/feature-map
快查頁：https://aiterms.tw/terms/feature-map
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-feature-map