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

本论文提出了基于尺度空间理论的比例等变 UNet（SEUNet）进行数字组织病理学图像分割，实验结果表明该方法在训练参数更少的情况下优于其他方法。

Apr, 2023

本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。

Jul, 2016

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

本文介绍了一种基于多实例多尺度卷积神经网络的方法，解决了医学图像分类中的三大挑战：小样本、ROI 难以定位和尺度变化问题，并利用弱标注实现了良好的性能。

Jul, 2019

提出一种新型多尺度卷积神经网络（MSCNN）用于单张图像的人群计数，基于多尺度块，该网络能够生成与规模有关的特征以提高计数精度和鲁棒性，同时使用单列架构，更为精准和成本有效。实验证明，该方法的参数数量远低于现有的基于多列或多网络模型的方法，并且在计数精度和鲁棒性方面都优于现有的最先进方法。

Feb, 2017

使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

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

本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

Feb, 2022

该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

Jul, 2018