- 问题：图像任务中同样目标会存在位置偏移、角度旋转、尺度大小，分别对应旋转、平移、尺度不变性。
- 解决办法：（1）pooling具有平移不变性，受网络层数、卷积核大小、感受野的约束。（2）随机裁剪、旋转、缩放也是为了模型的鲁棒性
- 对于旋转和尺度问题呢？deformable卷积可以改善~
1. 理解deformable convolutional networks优点
- 标准卷积是规则的矩形
a图是标准的3*3卷积核，而b，c，d虽然也是9个采样点，但是每个采样点相对于中心点的偏移与a不一样。
- 两者在感受野上的对比
假如我们有一个分割任务，要分割出图中的尺度不同的动物。
我们先看左边的图，标准的卷积，感受野必然是一个方方正正的区域。顶图有一个中心像素，它的感受野是3*3，到了中间的图，周围四个角点又可以进一步扩展感受野，直到底部的图。
所以对于顶部目标的中心像素，经历了两次3*3卷积，它的感受野是固定的5*5，与动物本身的形状并不匹配。而同样的两个3*3的卷积，右边的空洞卷积，由于灵活的感受野，所覆盖的区域更大，也更匹配了目标本身的形状。
目标检测中前景类的bbox大小不同，也需要不同大小的感受野~
2.理解deformable conv的实现
deformable convolutional networks的输入有input_feature_map和offsets
offsets由input_feature_map卷积得到：72通道，3*3的kernel，预测出标准3*3卷积中每个点的(x,y)偏移量，3*3*2=18，共4组，之后作为参数参与deformable卷积
算出来的offset，计算新的9个点在特征图的上的值，由于可能算出来的offset为(0.3, 0.5)这种小数，也就是可能会需要知道特征图上(3.3,4.5)位置的值，所以作者用双线性差值计算这些经过offset修正的位置的响应；
