CNN是怎么学到图片内的绝对位置信息的

看到一个很不错的idea，讨论CNN与绝对位置，于是找到了一篇ICLR2020Spotlight的文章,它解释了CNN是怎么学到图片内的绝对位置信息的。

How much Position Information Do Convolutional Neural Networks Encode?
​link
CNN和绝对位置，这两个概念很少被一起讨论。

有学者提出两个原因：一是，大家有一个默认的共识，CNN是平移不变的（对分类任务），或者说平移等变的（对分割和检测任务）；二是，没有具体任务上的需求。比如对计算机视觉的三大物体感知任务，分类，分割和检测。物体分类跟位置没关系；语义分割作为像素级语义分类，也不依赖于位置；最有可能和绝对位置有关系的物体检测任务，被主流方法解耦了绝对位置，变成相对于锚框或者锚点进行局部相对位置的回归。这样，网络本身不需要知道物体的绝对位置，位置信息作为人为先验被用在前后处理进行坐标换算。

但是一个很显而易见的观察是，人的视觉系统是可以轻松知道绝对位置的，比如：“左上角有一只鸟，它又飞到右边了”。并且，对图像里的物体来说，本质上是通过位置和形状来区分不同实例的，这点可以参考知乎用户Xinlong Wang的回答：
如何评价SOLO: Segmenting Objects by Locations?
​link

所以，