• 什么使CNNs具有平移不变性(translation invariant)？
每个卷积核充当它自己的滤波器/特征检测器。假设您正在进行目标检测，目标在图像中的位置并不重要，因为无论如何，我们将在整个图像中以滑动窗口的方式应用卷积。
• 为什么分类CNNs模型中需要max-pooling？
这是计算机视觉中的一个角色。CNN中的最大池化允许您减少计算量，因为池化后feature maps变小了。您不会丢失太多的语义信息，因为您正在进行最大程度的激活。还有一种理论认为，最大池化对CNNs的平移不变性有一定的贡献。看看吴恩达关于最大池化好处的视频。 https://www.coursera.org/learn/convolutional-neural-networks/lecture/hELHk/pooling-layers
• 为什么在图像分割中CNNs通常具有编码器-解码器结构？
编码器CNN基本上可以被认为是特征提取网络，而解码器使用该信息通过“解码”特征并放大到原始图像大小来预测图像分割区域。
