尺度不变的尺度通道网络：泛化到以前未见的尺度的深度网络

Jun, 2021

尺度不变的尺度通道网络：泛化到以前未见的尺度的深度网络

Scale-invariant scale-channel networks: Deep networks that generalise to previously unseen scales

Ylva Jansson, Tony Lindeberg

TL;DR本文研究多尺度卷积神经网络的设计，主要探讨协方差和不变性的问题，并从设计角度提出了新的凹陷视野尺度通道网络结构，其能够有效地实现不同尺寸的图像分类任务。

Abstract

The ability to handle large scale variations is crucial for many real world visual tasks. A straightforward approach for handling scale in a deep network is to process an image at several scales simultaneously in a set of scale channels. Scale invariance can then, in principle, be achieved by using weight sharing between the scale channels together with max

scale channel networks foveated scale channel architecture generalisation weight sharing covariance

发现论文，激发创造

深度图像分类中学习尺度变化和尺度不变特征

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

具有傅立叶层的真正尺度相等深度神经网络

在计算机视觉中，为了有效地执行图像分割等任务，模型必须能够适应图像分辨率的变化，这被称为尺度等变性。最近的研究通过权重共享和内核调整等方式，取得了在发展尺度等变性卷积神经网络方面的进展。然而，在实践中，这些网络并不是真正的尺度等变性的。为了解决这个问题，我们直接在离散域中考虑了抗锯齿，并提出了一种基于傅里叶层的新型架构，以实现真正的尺度等变深度网络，即绝对零等变误差。在先前的研究基础上，我们对 MNIST-scale 和 STL-10 数据集上测试了这个模型。我们提出的模型在保持零等变误差的同时，实现了有竞争力的分类性能。

Nov, 2023

卷积神经网络中的向量场尺度等变性

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

尺度等变可转移网络

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

图像修复的规模卷积

本文提出了一种新的尺度卷积方式 ——scale-wise 卷积，并基于该方式构建了一个包含多尺度信息的神经网络模型，该模型在图像超分辨率、降噪和压缩伪影去除等图像恢复任务上均表现出色。

Dec, 2019

尺度不变卷积神经网络

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

超越均匀缩放：探索神经结构中的深度异质性

基于第二阶损失景观信息的自动缩放方法，以灵活适应视觉变换器中的跳跃连接；在 DeiT-S 与 ImageNet100 上广泛评估，相较于传统缩放，准确率提高 2.5%，参数效率提高 10%；缩放网络在从头训练小规模数据集时表现出卓越性能，是视觉变换器的首个完整缩放机制，实现高效模型缩放的一步。

Feb, 2024

三维数据尺度等变深度学习

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

Riesz 网络：单次前向传递中的尺度不变神经网络

介绍了 Riesz 神经网络，它基于 Riesz 变换而不是标准的卷积操作，从而实现了尺度不变性，可以应用于检测和分割具有不同裂纹厚度的混凝土断面的层析成像数据。

May, 2023

SAN: 多尺度目标检测中卷积特征之间的关系学习

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