卷积神经网络在某种程度上可以跨分辨率，但是不同的分辨率之间还是存在差异的。
对于卷积神经网络，每个卷积层都可以看做是一系列的卷积核，这些卷积核会对输入的图像进行卷积操作，从而提取特征。不同的图像分辨率会导致不同的卷积核尺寸和步长，因此在不同的分辨率之间，网络的特征提取能力是有一定区别的。
要实现跨分辨率的图像识别，可以使用多尺度池化（multi-scale pooling）或金字塔卷积神经网络（pyramid convolutional neural network）等方法来提取不同分辨率下的特征，从而提高模型的识别能力。
总之，卷积神经网络可以在某种程度上跨分辨率，但是需要特别处理才能够适应不同的分辨率。
补充：
卷积神经网络可以跨分辨率识别图片上的小局部图像。在卷积神经网络中，最常用的方法是多尺度卷积（Multi-Scale Convolution）。在这种方法中，卷积神经网络会对含有不同尺度的小局部图像的输入图像进行卷积运算，从而提取不同分辨率的特征。
常见的多尺度卷积方法包括：1）使用包含不同分辨率小局部图像的输入图片；2）使用不同大小的卷积核对输入图片进行卷积运算；3）在网络不同层次进行特征融合时，引入对不同分辨率特征的聚合。
多尺度卷积方法对于图片中小物体的识别有很好的作用，它可以帮助卷积神经网络在不同分辨率下获取关键的局部信息，提高物体的检测和识别精度。但是，多尺度卷积也会增大卷积神经网络的计算复杂度和参数量，同时增加了训练和调整网络的难度。