一幅图中由许多物体，机器无法知道它有多大，或者它在图像的什么位置。
卷积神经网络采用卷积+池化的方式可以提取图像的特征，通过不同的卷积核，来提取不同的特征，如横向轮廓，纵向轮廓。
随着网络深度不断加深，经过一次次池化，图片尺寸逐渐减小，维数逐渐增加，特征越来越多，每次卷积所考虑的信息也由细节变得更偏向全局。
对于一幅图，我们不能说，灰度值高的是目标或者灰度低的是目标，只能根据它和周围像素灰度之差来判断。
比如图中两个目标（橙色圆），我们不知道它在什么位置，我们需要用一个模板（红圈和蓝圈）遍历整张图，做他们模板内平均灰度的差。（卷积）
它的大小也不知道，所以我们需要不断调整模板的大小以确保检测到所有目标。我们选择每次缩小图片的大小替代调整模板，每次筛选2x2区域的最活跃值保留，进行下一次检测。（最大池化）
对于上图，能较好地检测到大圆，下图较好地检测小圆
这里做了个亮度检测（灰度图中可用亮度区分目标），检测模板是高斯平滑滤波器。这里用第5、6、7次的滤波、池化结果和1、2、3次的结果做差然后归一化，可以看到图片的两辆小车都有被检测到（灰度值越高，即越活跃）。
这只是类比卷积神经网络中众多卷积核中的一个，可以用来检测亮度。
大概卷积提取特征类似这样的原理？