本地尺度不变卷积神经网络
本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征，并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明，我们的多尺度卷积神经网络优于单尺度卷积神经网络，从而得出结论：在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。
Feb, 2016
本文提出了一种尺度不变的卷积神经网络（SiCNN），采用多列结构，每一列专注于特定尺度，用尺度变换共享相同的滤波器参数，以应对尺度变化，实验结果表明 SiCNN 能够检测各种尺度的特征，并且分类结果表现出对物体尺度变化的强大鲁棒性。
Nov, 2014
介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论，并将其他常见块推广为尺度等变块，此方法具有计算效率和数值稳定性，同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。
Oct, 2019
本研究提出了一种名为 ScaleNet 的简单高效的无监督表示学习方法，通过使用多尺度图像来增强有限信息条件下卷积神经网络 (ConvNets) 的性能，并展示了 ScaleNet 方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。
Oct, 2023
本研究探讨了卷积神经网络激活特征在需要对应关系的任务中的有效性，通过实验结果表明，这些特征在局部细节定位方面有更好的表现，并且在对象部分对齐和关键点预测方面优于传统的手工特征。
Nov, 2014
本文研究了卷积神经网络在面对微小图像变换时不具有不变性及其成因。作者提出传统的卷积架构不满足传统采样定理及数据增强只适用于与训练集中典型图像相似的图像，且两种解决方案只能部分解决问题。因此，在网络保持高准确率的情况下保证不变性的问题仍未解决。
May, 2018
本文通过使用卷积神经网络，对数据的位置、大小和宽高比等干扰因素的影响进行了实证研究，发现在当前卷积神经网络的复杂度和数据集规模的条件下，卷积神经网络对于边缘干扰变化的能力十分有限，同时还提出了改进的采样技术。作者在 ImageNet Challenge 基准分类任务和 Oxford 与 Fischer 的数据集的广泛基线匹配任务上测试了他们的假设。
May, 2015
提出了一种尺度感知网络 (SAN)，将卷积特征从不同的尺度映射到尺度不变的子空间，使基于 CNN 检测方法更具鲁棒性。该方法有效地减少了尺度空间内的特征差异，可以应用于许多基于 CNN 的检测方法中，提高检测精度并略微增加计算时间。
Aug, 2018