什么是计算机视觉和卷积神经网络中的翻译不变性？

我没有计算机视觉背景，但是当我阅读一些图像处理和卷积神经网络相关的文章和论文时，经常遇到术语“ translation invariance或” translation invariant。
还是我读了很多卷积运算提供的信息translation invariance？！这是什么意思？
我本人总是将其翻译成自己的意思，好像这意味着如果我们以任何形状更改图像，则图像的实际概念不会改变。
例如，如果我旋转一个可以说的树的图像，那么无论我对那张照片做什么，它又都是一棵树。
而且我本人认为，可能发生在图像上的所有操作并以某种方式（裁剪，调整大小，灰度，着色等）进行转换都是这种方式。我不知道这是否是真的，所以如果有人可以向我解释这一点，我将不胜感激。

您走在正确的轨道上。

不变性意味着即使对象的外观以某种方式变化，也可以将其识别为对象。这通常是一件好事，因为它可以在视觉输入的细节变化中保留对象的身份，类别等，例如查看器/摄像机与对象的相对位置。

下图包含同一雕像的许多视图。您（以及训练有素的神经网络）可以识别出同一对象出现在每张图片中，即使实际像素值完全不同。

请注意，这里的翻译在视觉上具有特定的含义，是从几何学借来的。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转换。相反，这意味着图像中的每个点/像素已沿相同方向移动了相同的量。或者，您可以认为原点已在相反方向上偏移了相等的量。例如，我们可以通过将每个像素向右移动50或100个像素，从第一行生成第一行的第二张和第三张图像。

翻译不变的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。如果您在某个位置获得了较大的响应，则表明与模板相似的对象位于该位置。这种方法通常称为模板匹配。

不变性与等方差

Santanu_Pattanayak的答案（点击这里）指出，有翻译之间的差异不变性和平移同变性。平移不变性意味着无论输入如何移位，系统都会产生完全相同的响应。例如，面部检测器可能会在第一行中报告所有三张图像的“面部图像”。等方差意味着系统在各个位置上均能很好地工作，但是其响应随目标位置而变化。例如，“面部表情”的热图在处理第一行图像时在左侧，中央和右侧将具有相似的凸起。

有时这是一个重要的区别，但是很多人都将这两种现象称为“不变性”，特别是因为将等变响应转换为不变的响应通常是微不足道的-只需忽略所有位置信息即可。

我认为翻译不变性的含义有些混乱。卷积提供平移等方差含义，如果图像中的对象位于区域A处，并且通过卷积在区域B的输出处检测到特征，则当图像中的对象转换为A'时将检测到相同的特征。输出特征的位置也将根据过滤器内核大小转换为新区域B'。这称为平移不变性，而不是平移不变性。

答案实际上比刚开始时要棘手。通常，平移不变性意味着您可以识别对象，而不必理会它在框架上的显示位置。

如果您的视野支持单词的平移不变性，则在A和B帧的下一张图片中，您将识别出“重读” 一词。

我强调单词一词是因为如果您的不变性仅在字母上受支持，则框架C也将等于框架A和B：它具有完全相同的字母。

实际上，如果您对CNN进行字母训练，那么诸如MAX POOL之类的东西将有助于实现字母的翻译不变性，但不一定会导致单词的翻译不变性。合并会拔出要素（由相应的图层提取），而与其他要素的位置无关，因此它将丢失字母D和T的相对位置的知识，而STRESSED和DESSERTS单词将看起来相同。

该术语本身可能来自物理学，其中翻译对称性意味着方程式保持不变，而与空间中的平移无关。

@圣塔努

虽然您的答案部分正确，但会导致混乱。确实，卷积层本身或输出特征图是平移等变的。@Matt指出，最大池化层的作用是提供一些平移不变性。

也就是说，特征图中的等方差与最大池化层函数相结合会导致网络输出层（softmax）的平移不变性。上面的第一组图像即使已向左或向右平移，仍会产生称为“状态”的预测。尽管翻译了输入，但预测仍保持“状态”（即相同）这一事实意味着网络已经实现了一些翻译不变性。