deep值得是网络有多少层，scale指的是该层特征图的每个像素点等价于原始输入图像中几个像素点，resolution指的是输入图像尺寸。

•感受野的尺寸对于在时间序列分类任务重的1D CNN来说是非常重要的因素。选择合适的尺寸可能对于性能有巨大的影响并且在每个数据集上差异巨大。 •这篇提出 Omni-Scale block ，ks由一个简单而通用的规则决定。

2021年12月19日 · 在这篇题为“Single Image Dehazing via Multi-Scale Convolutional Neural Networks”的研究中，作者们提出了一个基于深度学习的框架，该框架使用卷积神经网络（CNN）来学习有效的特征以实现单图像去雾。

We have proposed a unified deep convolutional neural network, denoted the MS- CNN, for fast multi-scale object detection. The detection is preformed at various intermediate network layers, whose receptive fields match various object scales.

2022年12月10日 · 本文介绍如何使用CNN模型实现人类活动识别分类任务。主要内容为： 如何加载和处理UCI-HAR数据集，以及如何开发1D CNN模型，达到良好的分类效果。如何进一步调整模型的性能，包括数据转换，过滤器和内核大小。如何开发复杂的 Multi-head 1D CNN模型。

多尺度特征（multi-scale feature）能有效改善image retrieval, image classification以及object detection等任务的结果，以下参考已有文献介绍几种常见的利用CNN提取multi-scale feature的方法。 这里可以把multi-scale feature分为Fc特征（从全连接层提取的特征），Conv特征（从 卷积层 提取的特征）以及Fc与Conv特征结合三类。 （1）利用 spatial pyramid pooling 代替全连接层前面的average或max pooling层。

在介绍 卷积神经网络 （CNN）之前，我们对于不变性和相等性的理解可能来自于传统图像处理算法中的，平移、旋转、光照和尺度等不变性，比如 HOG梯度方向直方图，由于 cell 的存在，其对于平移、旋转有一定的不变性，另外由于对图像局部对比度归一化的操作，使其对于光照也有着一定的不变性。 又比如说 SIFT特征提取，其对于以上四点都有着不变性，其中由于 尺度金字塔，使得对尺度也有不变性。 这里我们对于不变性的理解就是，同一对象发生平移、旋转、光照变 …

CNN 的three key ideas 是 局部连接（local connections）、权值共享（shared weight）、池化（pooling）；这就使得CNN的网络结构会有一定程度的移位shift不变性和deformation不变性，同时能减少一定的训练参数。

2021年3月18日 · 在介绍卷积神经网络（CNN）之前，我们对于不变性和相等性的理解可能来自于传统图像处理算法中的，平移、旋转、光照和尺度等不变性，比如 HOG 梯度方向直方图，由于 cell 的存在，其对于平移、旋转有一定的不变性，另外由于对图像局部对比度归一化的操作，使其对于光照也有着一定的不变性。 又比如说 SIFT 特征提取，其对于以上四点都有着不变性，其中由于尺度金字塔，使得对尺度也有不变性。 这里我们对于不变性的理解就是，同一对象发生平 …

2016年7月25日 · A unified deep neural network, denoted the multi-scale CNN (MS-CNN), is proposed for fast multi-scale object detection. The MS-CNN consists of a proposal sub-network and a detection sub-network. In the proposal sub-network, detection is performed at multiple output layers, so that receptive fields match objects of different scales.