在識別領域的一個很大的挑戰是如何來model一些幾何的變換，包括尺度，位姿、角度以及part deformation。通常來說，我們可以用幾何變換增強資料集，或者設計一些transformation invariant的描述子。這些方法都是建立在我們已經知道資料集裡面存在哪些幾何變換的基礎上，對於未知的變換無法適應。另外，也很難去model一些複雜的幾何變換。雖然近幾年來CNN發展的很快，但是因為卷積的時候總是在feature map上固定位置進行取樣，因此CNN對於model大的未知的幾何變換還是有困難，例如，同一層的啟用單元的感受野是一樣大的，這對於目標檢測來說就是不太合理的，因為不同位置對應的目標大小是不一樣的。如果能夠使得感受野在不同位置的大小進行自適應調整，那麼對於目標檢測語義分割等等任務的幫助必然很大。