结合创新！11种多尺度特征融合方法，附论文和代码

随着深度学习和计算机视觉技术的快速发展，多尺度特征融合已经成为一个备受关注的、不断探索的研究方向，它通过捕捉不同尺度和层次上的特征信息，提高对图像和视频内容的理解能力，为图像处理、计算机视觉和深度学习等领域的应用提供了坚实的基础。

今天就整理了11种多尺度特征融合方法分享给大家，这些方法采用了不同的策略和技术，能够有效地改进图像的识别、检测、分类和分割等任务！

1、MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting（AAAI2024）

MSGNet：学习多变量时间序列预测的多尺度序列间相关性

简述：本文提出了一种深度学习模型MSGNet，利用频域分析和自适应图卷积来捕捉多个时间尺度上的系列间相关性。MSGNet通过自注意力机制处理系列内依赖，并引入自适应混合跳跃图卷积层学习每个时间尺度的系列间关系。实验证明，MSGNet在多个真实数据集上有效，并能自动学习可解释的多尺度系列间相关性，展现出良好的泛化能力。

2、CEDNet: A Cascade Encoder-Decoder Network for Dense Prediction（ICLR 2024）

CEDNet：用于密集预测的级联编码器-解码器网络

简述：本文提出了一种名为CEDNet的简化级联编码器-解码器网络，它专为密集预测任务设计，并在解码器中执行多尺度特征融合。CEDNet的特点是能够从早期阶段整合高级特征来指导低级特征学习，增强多尺度特征融合。研究人员还研究了Hourglass、UNet和FPN三种编码器-解码器结构，并将它们集成到CEDNet中，提升了性能。在目标检测、实例分割和语义分割的实验中验证了该方法的有效性。

3、Dual Attention U-Net with Feature Inf