- 边缘感知特征聚合网络用于息肉分割
利用边缘感知的特征聚合网络 (EFA-Net) 对息肉进行分割，克服不同尺度和模糊的边界，实现更准确的早期诊断和防治结直肠癌 (CRC)。实验结果表明，EFA-Net 在泛化性能和有效性方面优于现有的息肉分割方法。
- ICCVSTEERER: 通过选择性继承学习解决计数和定位的尺度变化
本文提出了一种名为 STEERER（ extbf {S} elec extbf {T} iv extbf {E} inh extbf {ER} itance l extbf {E} a extbf {R} ning）的新方法，通过选择最合适 - CVPRMixTeacher: 混合尺度教师筛选有希望标签的半监督目标检测方法
该研究提出了一种新的半监督目标检测框架，使用混合尺度 teacher 生成伪标签并实现尺度不变学习，同时提出使用跨尺度预测分数提升来挖掘伪标签，实验证明该方法在不同半监督场景下达到了新的 state-of-the-art 表现。
- ECCV实现高效稳健的超高清图像去莫尔纹
本文提出了一种针对超高清图像去莫尔纹的方法，首次建立了 UHDM 数据集并在其中进行了基准研究，提出了一种有效的基准模型 ESDNet，其中包括语义对齐的尺度感知模块以解决莫尔纹图案的尺度变化问题，实验证明该方法在性能和效率方面优于当前领先 - 遥感图像中的地物覆盖分类的尺度感知适应
本文提出了一个刻度感知对抗学习框架，用于实现跨位置和跨刻度的地表覆盖分类，结果表明该框架在远程感知图像分类中的效果优于现有的领域适应方法。
- AMRNet：航拍图像物体检测中的芯片增强
本文提出了三种数据增强方法，包括比例自适应模块、镶嵌技术和数据集重采样，以解决航空图像目标检测中的尺度变化、稀疏性和类别不平衡问题，并在 VisDrone 和 UAVDT 数据集上实现了最先进的性能。
- RangeRCNN： 基于距离图像表示的快速准确三维物体检测
RangeRCNN 是一种基于距离图像表示的新颖、有效的 3D 目标检测框架，通过利用扩张残差块（DRB）和 RV-PV-BEV 模块及二阶段 RCNN 的方法，解决了尺度变化和遮挡等问题，实现了对 KITTI 和 Waymo Open 数 - 目标检测的动态尺度训练
提出一种名为 DST 的动态尺度训练范式，以缓解对象检测中的尺度变化挑战，使用来自优化过程的反馈信息动态引导数据准备，实验结果表明 DST 方法可有效处理尺度变化，提高检测精度，而且通用于各种骨干网络、基准数据集和其它挑战性的下游任务，训练 - 单次拍摄物体检测的空间融合学习
在目标检测中，为了应对尺度变化的挑战，金字塔特征表示是一种常见的做法。本文提出了一种新颖且数据驱动的策略 - 自适应空间特征融合（ASFF），通过学习如何空间过滤冲突信息来抑制不一致性，从而提高特征的尺度不变性。通过该策略与 YOLOv3 - ICCV适应尺度的三叉戟网络在目标检测中的应用
本次研究旨在解决目标检测中的比例变化问题，提出了 Trident Network，利用控制实验研究感受野对于比例变化的影响，构建并训练出一个多分支并行架构，每个枝干共享相同的转换参数但具有不同的感受野，通过采样适当比例的对象实例进行专业化训 - CVPRELASTIC: 通过动态缩放策略提高 CNNs 的性能
本文介绍了一种简单有效的方法 ELASTIC 用于从数据中学习动态尺度策略，应用于多个网络架构，证明了该方法能够在不增加额外计算代价的情况下提高图像分类、多标签分类和语义分割的性能。
- 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。
- CVPR目标检测中尺度不变性的分析 - SNIP
本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在 COCO 数据集上进行了评估。
- ICCV学习特征金字塔以进行人体姿势估计
本文提出了用金字塔残差模块来增强深度卷积神经网络的规模不变性，结合多分支网络设计权重初始化方法来在人体姿态估计任务上取得最新的最优结果。
- CVPR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。