Spatial Transformer Networks
尽管CNN网络定义了许多强而有力的模型，但是它仍被限制于缺乏对输入数据空间上不变性的有效计算。本文介绍了一个新的可学习模块，空间转换器，该模块显著地增加了网络中数据的可操作性。该模块可以植入到现有的卷积体系中，使神经网络具备了空间上转换特征映射的能力。
虽然采用池化操作使得CNN对特征的形变和尺度变化具有一定的鲁棒性，但也使得其受限于深层次的网络，并对中间层的特征并非不变的。CNN的这种限制是由于只有一个有限的，预定义的池化机制来处理数据空间排列的变化。
本文介绍了一种基于神经网络架构的三维空间变换模块，于接受域是固定且局部的池化层不同，空间转换器模块是一种动态的机制，它可以通过为每个输入样本生成适当的转换来主动地进行空间转换，然后在整个feature map上执行转换，包括缩放、裁剪、旋转以及刚性变形等。这使得包含空间转换器的网络不仅可以选择最相关的区域，而且还可以将其转化为规范、预期的姿态，从而简化后续层的识别。
利用空间转化网络作为全连通网络的第一层，对畸变的MINIST数字进行分类的效果如下：
图中（a)是对网络输入带有缩放、旋转或夹杂噪声的数字图像；(b)空间转换器中的定位网络对数字进行预测转换；(c)空间转换器转换后输出的结果；(d)后续网络识别的结果。
空间转换器网络包括三个部分：
1 Localisation Network ：
以的feature map作为输入，以变换矩阵的元素作为输出的网络结构，变换矩阵可以为任意形式，对于仿射变换矩阵而言，为一个6参数矩阵。网络可以是以回归层为终止的多种网络结构，可以采用全连接结构也可以采用卷积结构。
2 ParameterisedSamplingGrid ：
根据Localisation Network的参数，我们对一个一般的feature map产生一个特定的变换后的grid（通过逆变换）。通过仿射变换：
同时将输入的横纵坐标范围和输出的横纵左边范围归一化为[-1,+1]。由此对图像进行裁剪、平移、旋转、拉伸及扭曲形成输出的feture map。
3 DifferentiableImageSampling ：在获得相应的grid和变换矩阵后，需要对原featrue map进行采样从而得到新的feature map.
通过变换矩阵相关的采样核：
将原feature map映射到新feature map中，如双线性插值：
对其求梯度：
通过以上三个结构，就形成了一个空间变换器。该结构可以被放在卷积网络的任意位置，通过训练学习如何得到最有效的变换方式。
