تم استخدام الشبكات العصبية العميقة في مجالات مختلفة، ولكن سلوكها الداخلي لا يزال غير معروف جيدًا. في هذه الدراسة، نناقش سلوكين مُناقضين للمنطق في الشبكات العصبية التلافيفية (CNN). أولاً، قمنا بتقييم حجم المجال الاستقبال (receptive field). سبق أن حاولت دراسات سابقة زيادة أو التحكم في حجم المجال الاستقبالي. ومع ذلك، لاحظنا أن حجم المجال الاستقبالي لا يُعبر عن دقة التصنيف. إذ إن حجم المجال الاستقبالي غير مناسب لتمثيل التفوق في الأداء، لأنه يعكس فقط عمق الشبكة أو حجم النواة، دون أخذ عوامل أخرى مثل العرض (width) أو التعددية (cardinality) بعين الاعتبار. ثانيًا، باستخدام المجال الاستقبالي الفعّال (effective receptive field)، قمنا بتحليل البكسلات التي تسهم في الإخراج. من الناحية المُتوقعة، نتوقع أن تسهم كل بكسلة بشكل متساوٍ في الناتج النهائي. لكننا وجدنا وجود بكسلات في حالة "ميتة جزئيًا" تُسهم بشكل ضئيل جدًا في الناتج. نكشف أن السبب في هذا الظاهرة يكمن في بنية الشبكة العصبية التلافيفية، ونناقش حلولًا لتقليل حدوث هذه الظاهرة. وبشكل مثير للاهتمام، فإن وجود بكسلات ميتة يُحسّن تدريب الشبكات العصبية التلافيفية في المهام العامة للتصنيف. ولكن في المهام التي تتطلب اكتشاف اضطرابات صغيرة، يُضعف وجود هذه البكسلات من الأداء. لذلك، يجب فهم وجود هذه البكسلات الميتة واعتبارها عند تطبيق الشبكات العصبية التلافيفية عمليًا.