在CNN的設定裡，Feature Map是卷積核卷出來的，而不同的特徵提取（核）會提取不同的feature，模型想要達成的目的是解一個最最佳化，來找到能解釋現象的最佳的一組卷積核。例如某個核如果形似gabor運算元，就會提取出邊緣資訊的feature，但這個特徵too simple，很可能不是模型需要的特徵。這與人腦神經網路（暫且這麼叫吧）的功能是很相似的，比如gabor運算元模擬了V1具有方向選擇性的神經元，這些神經元被稱為simple cell，只能對orientation做出響應，人腦依靠這些神經元檢測出影象的邊緣資訊。
但simple cell的功能也僅此而已，人腦若要完成一些更高階的功能（visual attention, object recognition），就需要更復雜的神經元，例如complex cell和hypercomplex cell，它們能對訊號做一些更復雜的變換，而恰恰神經科學的證據表明，它們“很可能”是由V1的多個simple cell的輸出訊號組合而成的，比如V4的一些cell可能對angle做出響應等；考慮一個object recognition的任務，object自身具有不同的特徵，不同的複雜的cell編碼了其不同的特徵，組合起來表達這樣一種object。CNN的設定中的feature map也就對應了各層cell的訊號輸出。
在CNN的設定裡，Feature Map是卷積核卷出來的，而不同的特徵提取（核）會提取不同的feature，模型想要達成的目的是解一個最最佳化，來找到能解釋現象的最佳的一組卷積核。例如某個核如果形似gabor運算元，就會提取出邊緣資訊的feature，但這個特徵too simple，很可能不是模型需要的特徵。這與人腦神經網路（暫且這麼叫吧）的功能是很相似的，比如gabor運算元模擬了V1具有方向選擇性的神經元，這些神經元被稱為simple cell，只能對orientation做出響應，人腦依靠這些神經元檢測出影象的邊緣資訊。
但simple cell的功能也僅此而已，人腦若要完成一些更高階的功能（visual attention, object recognition），就需要更復雜的神經元，例如complex cell和hypercomplex cell，它們能對訊號做一些更復雜的變換，而恰恰神經科學的證據表明，它們“很可能”是由V1的多個simple cell的輸出訊號組合而成的，比如V4的一些cell可能對angle做出響應等；考慮一個object recognition的任務，object自身具有不同的特徵，不同的複雜的cell編碼了其不同的特徵，組合起來表達這樣一種object。CNN的設定中的feature map也就對應了各層cell的訊號輸出。