Feature Maps

피처 맵(Feature map)은 convolutional filter가 신경망 내의 입력 이미지나 선행 레이어를 처리할 때 생성되는 근본적인 출력입니다. computer vision (CV)의 맥락에서 이러한 맵은 모델이 학습을 통해 인식하게 된 가장자리, 텍스처, 복잡한 기하학적 형태와 같은 특정 패턴을 강조하며 데이터의 내부 표현 역할을 합니다. 본질적으로 피처 맵은 Convolutional Neural Network (CNN)의 "눈" 역할을 하여 원시 픽셀 값을 object detection 및 분류 같은 작업을 용이하게 하는 의미 있는 추상화로 변환합니다.

Feature Map의 작동 메커니즘#

피처 맵의 생성은 convolution으로 알려진 수학적 연산에 의해 구동됩니다. 이 과정에서 커널 또는 필터라고 불리는 학습 가능한 매개변수의 작은 행렬이 입력 데이터 위를 슬라이드합니다. 모든 위치에서 커널은 원소별 곱셈과 합산을 수행하여 출력 그리드에서 단일 값을 생성합니다.

• 패턴 활성화(Pattern Activation): 각 필터는 특정 특징을 찾도록 학습됩니다. 필터가 입력에서 해당 특징을 발견하면 feature map의 결과값이 높아지며, 이는 강한 활성화를 나타냅니다.
• 공간적 계층 구조: deep learning (DL) 아키텍처에서 피처 맵은 계층적으로 배열됩니다. 초기 레이어는 edge detection 선 및 곡선과 같은 저수준 세부 정보를 감지하는 맵을 생성합니다. 더 깊은 레이어는 이러한 단순한 맵들을 결합하여 얼굴이나 차량과 같은 복잡한 객체의 고수준 표현을 형성합니다.
• 차원 변경: 데이터가 네트워크를 통해 진행됨에 따라 pooling layers와 같은 연산은 일반적으로 피처 맵의 공간 차원(높이와 너비)을 줄이는 동시에 깊이(채널 수)를 늘립니다. dimensionality reduction이라고도 자주 불리는 이 프로세스는 모델이 정확한 픽셀 위치보다는 피처의 존재 여부에 집중하도록 돕습니다.

실제 애플리케이션 사례#

feature map은 현대 AI 애플리케이션의 핵심 엔진으로, 시스템이 인간과 유사한 이해도를 가지고 시각 데이터를 해석할 수 있게 합니다.

• 의료 진단: medical image analysis에서 모델은 피처 맵을 사용하여 X선 또는 MRI 스캔을 처리합니다. 초기 맵은 뼈의 외곽선을 강조할 수 있으며, 더 깊은 맵은 종양이나 골절 같은 이상 징후를 식별하여 AI in healthcare 시나리오에서 의사를 지원합니다.
• 자율 주행: 자율주행차는 시각 센서에 의해 생성된 피처 맵에 크게 의존합니다. 이러한 맵을 통해 차량의 온보드 컴퓨터는 실시간으로 차선, 보행자, 교통 표지판을 구별할 수 있으며, 이는 autonomous vehicles가 안전하게 작동하는 데 매우 중요합니다.

Python에서 Feature Map 작업하기#

피처 맵은 내부 구조이지만, 아키텍처를 설계할 때 그 차원을 이해하는 것은 매우 중요합니다. 다음 PyTorch 예제는 단일 합성곱 레이어가 입력 이미지를 피처 맵으로 어떻게 변환하는지 보여줍니다.

import torch
import torch.nn as nn

# Define a convolution layer: 1 input channel, 1 output filter, 3x3 kernel
conv_layer = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, bias=False)

# Create a random dummy image (Batch Size=1, Channels=1, Height=5, Width=5)
input_image = torch.randn(1, 1, 5, 5)

# Pass the image through the layer to generate the feature map
feature_map = conv_layer(input_image)

print(f"Input shape: {input_image.shape}")
# The output shape will be smaller (3x3) due to the kernel size and no padding
print(f"Feature Map shape: {feature_map.shape}")

관련 개념 구분#

model training 중 혼동을 피하기 위해 피처 맵을 유사한 용어와 구분하는 것이 유용합니다:

• 피처 맵 대 필터: 필터(또는 커널)는 이미지를 스캔하는 데 사용되는 도구이며, model weights를 포함합니다. 피처 맵은 그 스캔의 결과입니다. 필터는 "렌즈"로, 피처 맵은 그 렌즈를 통해 포착된 "이미지"로 생각할 수 있습니다.
• 피처 맵 대 임베딩: 둘 다 데이터를 나타내지만, 피처 맵은 일반적으로 semantic segmentation에 적합한 공간 구조(높이 및 너비)를 유지합니다. 대조적으로, embeddings는 보통 의미적 의미는 포착하지만 공간 배치를 버리는 평탄화된 1차원 벡터이며, similarity search 작업에 자주 사용됩니다.
• 피처 맵 대 활성화: 비선형성을 도입하기 위해 activation function(ReLU 등)이 피처 맵 내의 값에 적용됩니다. 맵은 이 수학적 연산 전후에 모두 존재합니다.

Ultralytics 모델과의 관련성#

YOLO26과 같은 고급 아키텍처에서 피처 맵은 모델의 "백본"과 "헤드"에서 중추적인 역할을 합니다. 백본은 다양한 스케일에서 피처를 추출하여(피처 피라미드) 모델이 작고 큰 객체를 모두 효과적으로 감지할 수 있도록 보장합니다. 학습을 위해 Ultralytics Platform을 활용하는 사용자는 이러한 모델의 성능을 시각화할 수 있으며, accuracy 및 재현율과 같은 지표를 통해 기저의 피처 맵 효능을 간접적으로 관찰할 수 있습니다. 이러한 맵을 최적화하는 것은 주석이 달린 데이터셋에 대한 광범위한 학습을 포함하며, 사전 학습된 모델의 지식을 새로운 작업으로 전이하기 위해 feature extraction과 같은 기술을 자주 활용합니다.