| 特征 | 局部or全局 | 尺度不变性 | 亮度不变性 | 旋转不变性 | 仿射不变性 | |
| CNN | ||||||
| SIFT | 局部 | |||||
1、性质解释
尺度不变性：
建议看看这个人的博客：https://zhuanlan.zhihu.com/p/67080514
比如有两个数据集：
数据集A：图像被resize大小512*512，图像中目标的大小200~300（100%）。
数据集B：图像被resize大小512*512，图像中目标的大小10~50（80%），>256(10%)，50~256（10%）。
a、数据集A中目标大小分布比较集中，数据集B中目标大小分布相对比较分散。即针对B的模型理论上比针对A的模型更难设计。
b、fine-tune过程存在domain-shift的问题。
在数据集A上训练了一个模型A，基于A去fine-tuning数据集B的数据，得到适合B的模型B。理论上，因为这里的模型B参数已经适应了数据集A的尺寸，测试数据B的效果会低于直接在数据集B上的训练效果。
这个现象在很多问题中都有体现：
基于特定尺寸范围训练的模型，在其它尺寸测试，效果会变差。比如，resize64*64进行GAN生成，测试512*512效果会变差等。
c、网络结构问题
比如：数据集A，目标最小尺寸为200，进行20次下采样，还可以对应10个点的信息。但是数据集B，要是进行20次下采用，最小目标的特征肯定找不回来了。
d、网络尺寸问题
同a说的一样，对于尺寸跨度较大的数据集，网络往往难以设计，因为网络总是不能100%的cover所有尺寸的目标。
解决尺寸不变性的论文：arXiv：http://arxiv.org/abs/1711.08189
旋转不变性：
目标旋转前和旋转后的特征一致。比如，设计一个网络识别猫，对目标进行旋转以后，网络依旧可以认出这个东西是猫。
仿射不变性：
若一个图形具有某种性质或者某个量，在平行射影下，如果不变，称这个性质为仿射不变性质，这个量称为仿射不变量。经过仿射对应它们也是不变的。同素性、结合性都是仿射不变性质（也就是说，仿射对应把共点的线变成共点的线，把共线的点变成共线的点）。平行四边形在仿射对应下的象还是平行四边形。
2、SIFT特征
参考：https://blog.csdn.net/happyer88/article/details/45817305
尺寸空间：尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。大尺度对应图像的概貌特征，小尺度对应图像的细节特征。所以对不同尺度的图像检测关键点，最终得到的sift特征点具有尺度不变性。
高斯卷积核是实现尺度变换的唯一线性核。