多尺度统一网络图像分类

在这项工作中，我们基于中心核对齐（CKA）分析对卷积神经网络（CNNs）的模型进行了全面的分层调查，结果表明较低的层对输入图像尺度变化更敏感。在此基础上，我们提出了多尺度统一网络（MUSN），由多尺度子网络、一个统一网络和尺度不变约束组成，以获得从多尺度输入中提取特征的能力，并将低级特征在深层进行统一，提取高层语义特征。大量在 ImageNet 和其他尺度多样的数据集上进行的实验表明，MUSN 在模型性能和计算效率方面取得了显著的改进。特别是在多尺度情景下，MUSN 的准确率提高了 44.53％，FLOPs 降低了 7.01-16.13％。

研究人员通过分层调查发现，卷积神经网络的较低层对输入图像尺度变化更敏感。他们提出了多尺度统一网络（MUSN），能够从多尺度输入中提取特征，并在深层进行统一，提取高层语义特征。实验结果显示，MUSN 在模型性能和计算效率方面取得了显著的改进，特别是在多尺度情景下。