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

本文介绍了一种针对三维数据的尺度等变卷积神经网络层，可以在医学图像分割中实现尺度等变，相关的实验证明了该方法的有效性。

Apr, 2023

本文提出了一种方法，通过使用可缩放的傅里叶 - 阿甘德表示法和类似卷积的操作来实现卷积神经网络对于平移、旋转和缩放的同时等变性，并验证了该方法在图像分类任务方面的有效性和对缩放和旋转输入的泛化能力。

Mar, 2023

论文提出了基于 group theories 针对 sim (2)-equivariant correspondence matching 的专门数据集，并对 16 种最新的相关算法进行了实验比对，结果表明了算法的对应模糊度和精度，同时也提高了对该领域的重视程度。

Aug, 2022

研究注入本地规模等变性对卷积神经网络的影响，通过在多个尺度上应用每个卷积滤波器来实现。输出是一个向量场编码，用于表示最大激活尺度和尺度本身，这进一步由以下卷积层进行处理。这可使所有中间表示在本地上成为规模等变的。研究发现，这种方法在 MNIST 数字的随机缩放因素回归等已知规模等变任务中会显着提高模型性能超过 20％。此外，还发现该方法对于实际随机缩放数字的分类等尺度不变任务也有用。

Jul, 2018

本文介绍了一种基于增强 Siamese 神经网络的相似性映射的跟踪系统，该系统考虑了外观和几何信息，并可进行端到端的训练，以减少整体系统复杂性和需要针对特定环境进行调整的超参数数量，在 MOT16 挑战中取得了具有竞争性的速度和准确性。

Sep, 2016

通过权重共享和卷积核重新缩放的方式，基于一些普遍的先决条件，建立了精确的尺度卷积等变性，并为所有情况找到了确切的解，并计算其余近似值。这种离散尺度卷积具有重要意义，能在 MNIST-scale 和 STL-10 的监督学习中达到最新分类性能，并通过 OTB-13 上尺度等变 Siamese 跟踪器改进了计算效率。

Jun, 2021

在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

Sep, 2018

本文提出一种基于 ST 等变卷积神经网络的多尺度图像分类方法，通过卷积滤波器的低频分解和截断，实现了更好的变形鲁棒性和可解释性。数值实验表明，相比常规 CNN，该方法在多尺度图像分类任务中性能显著提高，且模型尺寸更小。

Sep, 2019

本文提出了一种几何解释方法，可用于解释取向和尺度协变特征检测器（例如 SIFT）提供的角度和尺度。在此基础上，提出了两个新的通用限制并引入到同态估计任务中。此外，还给出了一个求解器来从最小数量的两个对应点对中估计单应性并进行测试。

Jun, 2019