2025年必看！多尺度深度学习创新思路轻松拿下顶会！

最近，多尺度不仅在检测和分割不同尺度目标方面至关重要，还显著提高了模型的参数使用效率，在各大顶会中备受关注。

新的一年，多尺度深度学习领域出现一些投稿方向，这些方向将推动研究人员在复杂任务中取得更高的性能，并在多个应用场景中展现出广泛的潜力。

为了方便大家研究，我整理了一些多尺度结合的相关论文，全部论文PDF版，工zhong号【沃的顶会】 回复 多尺度合集 即可领取。

· 多尺度Transformer

MSTF：Multiscale Transformer for Incomplete Trajectory Prediction

文章解析

论文提出了一种多尺度Transformer模型（MSTF），旨在解决不完整轨迹预测问题。

该模型通过引入多尺度特征提取和自注意力机制，有效地捕捉轨迹数据中的时空依赖关系，即使在输入信息不完全的情况下，也能提高轨迹预测的准确性。

实验结果表明，MSTF在多个基准数据集上优于现有的方法，展示了其在处理复杂动态场景中具有良好的性能和鲁棒性。

创新点

1.多尺度特征提取：提出了一种多尺度Transformer架构，能够同时捕获不同时间尺度下的轨迹特征，从而更全面地理解轨迹数据中的时空动态。

2.自注意力机制：利用自注意力机制来建模轨迹点之间的关系，使得模型能够聚焦于与当前预测相关的重要轨迹片段，即使在输入信息不完整的情况下也能保持良好的性能。

3.处理缺失信息的策略：引入了专门设计的损失函数，以优化模型对缺失轨迹信息的处理能力，从而提高预测的准确性和鲁棒性。

4.综合评估方法：在多个动态场景和基准数据集上进行了系统的实验验证，展示了该方法在不完整轨迹预测任务中的优越性，相较于现有技术具有显著提升。

· 多尺度时序

Time Series Prediction Based on Multi-Scale Feature Extraction

文章解析

本文讨论了一种新的时间序列预测模型，叫做MSFformer，旨在更好地分析和预测数据，如气象和金融数据。

该模型结合了长期和短期的趋势，使用金字塔结构提取不同时间尺度的信息，从而提高预测的准确性。

实验结果显示，MSFformer在预测效果上显著优于传统方法，尤其是在捕捉长期变化和短期波动方面表现出色。

创新点

1.多尺度特征提取：模型通过金字塔结构整合了多种时间尺度的信息，增强了预测能力。

2.提升效率：Skip-PAM机制有效降低了模型的计算负担，使得在处理大数据时更加高效。

3.性能提升：实验结果显示在MAE和MSE指标上显著优于传统Transformer模型，展示了其在复杂数据处理中的优势。

全部论文PDF版，工zhong号【沃的顶会】 回复 多尺度合集 即可领取。

· 多尺度卷积

RepNeXt A Fast Multi-Scale CNN using Structural Reparameterization

文章解析

本文提出RepNeXt，一款新型多尺度CNN模型。

通过结构重参数化结合ViTs的宏架构与CNN的层次设计，提升了模型在资源受限环境下的效率。

实验结果表明，RepNeXt在多种视觉任务中表现出色。

创新点

1.提出RepNeXt模型，实现多尺度特征表示与ViTs结构的融合。

2.采用结构重参数化技术，提高模型效率和性能。

3.在资源受限的移动视觉任务中，表现出卓越的性能。

· 多尺度YOLO

FUSED ATTENTION MECHANISM -BASED ORE SORTING NETWORK

文章解析

本文提出了一种名为OreYOLO的方法，该方法结合了注意力机制和多尺度特征融合策略，用于金矿和硫化矿的高效准确识别。

通过引入渐进特征金字塔结构和嵌入注意力机制，显著提高了模型的检测性能和准确性。

此外，为了适应多样化的矿石分类场景和边缘设备的部署需求，网络结构设计为轻量级，实现了低参数量和计算复杂度，同时保持高精度。

创新点

1.提出了OreYOLO方法，结合了注意力机制和多尺度特征融合策略，显著提高了矿石分类的检测性能和准确性。

2.设计了轻量级网络结构，实现了低参数量（3.458M）和计算复杂度（6.3GFLOPS），同时保持高精度（99.3%和99.2%）。

3.引入渐进特征金字塔结构和嵌入注意力机制，解决了轻量级网络中特征提取不足的问题。

全部论文PDF版，工zhong号【沃的顶会】 回复 多尺度合集 即可领取。