你在正确的轨道上。

不变性意味着您可以将对象识别为对象，即使它的外观以某种方式发生变化。这通常是一件好事，因为它在视觉输入细节的变化（例如查看器/相机和对象的相对位置）中保留了对象的身份、类别（等）。

下图包含同一雕像的许多视图。你（和训练有素的神经网络）可以识别出同一个对象出现在每张图片中，即使实际像素值完全不同。

请注意，这里的翻译在视觉中具有特定的含义，是从几何学中借来的。它不涉及任何类型的转换，不像从法语到英语或文件格式之间的翻译。相反，这意味着图像中的每个点/像素都在相同的方向上移动了相同的量。或者，您可以将原点视为在相反方向上移动了相等的量。例如，我们可以通过将每个像素向右移动 50 或 100 个像素来生成第一行中的第二和第三图像。

平移不变对象识别的一种方法是获取对象的“模板”并将其与图像中对象的每个可能位置进行卷积。如果您在某个位置收到较大的响应，则表明类似于模板的对象位于该位置。这种方法通常称为模板匹配。

不变性与等变性

Santanu_Pattanayak 的回答（此处）指出平移不变性和平移等效性之间存在差异。平移不变性意味着系统产生完全相同的响应，无论其输入如何移动。例如，人脸检测器可能会为顶行中的所有三个图像报告“FACE FOUND”。等方差意味着系统在不同位置上工作得一样好，但它的响应会随着目标的位置而变化。例如，当处理第一行图像时，“面部特征”的热图在左侧、中间和右侧会有类似的凸起。

这有时是一个重要的区别，但许多人称这两种现象为“不变性”，特别是因为将等变响应转换为不变响应通常是微不足道的——只需忽略所有位置信息）。

我认为对于平移不变性的含义存在一些混淆。如果图像中的对象位于区域 A 并且通过卷积在区域 B 的输出处检测到特征，则卷积提供平移等方差含义，那么当图像中的对象被平移到 A' 时，将检测到相同的特征。输出特征的位置也将根据滤波器内核大小转换为新区域 B'。这称为平移等变而不是平移不变性。

答案实际上比最初看起来更棘手。通常，平移不变性意味着您可以识别对象，而不管它出现在框架上的什么位置。

在 A 帧和 B 帧的下一张图片中，如果您的视觉支持单词的翻译不变性，您将识别出“强调”这个词。

我强调了词这个词，因为如果你的不变性只支持字母，那么框架 C 也将等于框架 A 和 B：它具有完全相同的字母。

实际上，如果你在字母上训练你的 CNN，那么像 MAX POOL 这样的东西将有助于实现字母上的翻译不变性，但不一定会导致单词上的翻译不变性。池化提取特征（由相应层提取）与其他特征的位置无关，因此它会丢失字母 D 和 T 的相对位置知识，单词 STRESSED 和 DESSERTS 看起来相同。

该术语本身可能来自物理学，其中平移对称意味着方程保持不变，无论空间平移如何。

@桑塔努

虽然您的答案部分正确并导致混淆。的确，卷积层本身或输出特征图是平移等变的。正如@Matt 指出的那样，最大池化层所做的是提供一些平移不变性。

也就是说，特征映射中的等方差结合最大池化层函数导致了网络输出层（softmax）的平移不变性。上面的第一组图像仍然会产生一个称为“雕像”的预测，即使它已被平移到左侧或右侧。尽管翻译了输入，但预测仍然是“雕像”（即相同）的事实意味着网络已经实现了一些翻译不变性。