如果您使用max-pooling图层，它们可能对小的变化不敏感，但不是那么多。如果您希望您的网络能够对转换保持不变，例如平移和移位或其他类型的常规转换，您有两种解决方案，至少据我所知：

• 增加数据集的大小
• 使用空间转换器

看看 什么是最先进的 MNIST ANN 架构以及为什么卷积神经网络有效。

感谢我们的一位朋友，另一种方法是在数据增强后使用迁移学习。

除边界效应外，卷积是移位等变的。全连接层不是。

池化（没有二次采样/步幅）可以看作是一种平滑，它的输出对于许多相邻位置通常是相同的。对此进行二次采样（应用步幅）会导致操作对小偏移相当不变。

全局池化是完全移位不变的，同样除了边界效应。

至于轮换：标准架构本身对这些架构并不健壮。

试试 MS COCO 数据集：它非常多样化，并尝试训练网络进行检测/分割。像 Mask R-CNN 这样性能最好的网络在测试数据上产生了大约 44% 的 mAP，或者在 0.5 IoU 时产生了 68%。它可以很好地处理所有挑战，包括轮​​换，但很难训练。