该研究在YOLOv8框架中引入新技术，提升了对多尺度、小型和远程物体的检测准确率，达65%。

本文提出了一种新颖的多尺度Mamba（ms-Mamba）架构，旨在解决时间序列预测中的单一时间尺度问题。实验结果表明，ms-Mamba在多个基准测试中优于现有最佳方法。

本研究提出了一种基于模糊粗集的多尺度异常检测方法，有效解决了现有方法无法识别多类型异常的问题。实验结果表明，该方法在多个数据集上表现优异，ROC曲线下的面积提高了至少8.48%。

本研究提出了Elastic-DETR策略，解决了现有物体检测器在多尺度图像分辨率手动超参数选择上的灵活性限制。该策略通过优化尺度损失和分布损失，使模型能够自适应利用多种分辨率，在MS COCO数据集上提高了最高3.5%的准确率或降低26%的计算复杂度。

本研究提出了一种名为ELEMENT的多尺度增强学习框架，旨在解决长期探索中的回报消失和高计算成本问题。通过引入情节最大熵优化和新内在奖励，显著提升了探索效率，展现出良好的适应性和性能。

本研究提出了一种多尺度注意力LSTM架构，通过整合来自头部、躯干和外周的多模态生物信号，在虚拟现实环境中实现情感识别，显著提高了情感分类的准确性。

本研究提出了一种在小波域进行多尺度生成建模的方法，有效解决了传统空间域生成模型中的分数病态问题，显著提升了性能，并减少了可训练参数和时间。

本研究提出了LLM-Mixer框架，旨在解决复杂多尺度时间序列预测问题。该框架结合了多尺度时间序列分解与预训练的大型语言模型，能够有效捕捉短期波动和长期趋势。实验结果表明，LLM-Mixer在多变量和单变量数据集上的表现优于其他最新模型，验证了其在时间序列预测中的有效性和可扩展性。

本文提出了一种多尺度 Transformer 方法，旨在提高雨天图像重建的质量和模型鲁棒性。通过双支路注意力融合网络和多尺度渐进融合网络，解决了多维图像特征融合问题。实验结果表明，该方法在多个基准数据集上表现优异，推动了图像去雨研究的新方向。

本文介绍了YOLO-MS目标检测器的开发，该模型通过研究不同卷积核大小对多尺度物体检测性能的影响，显著提升了实时目标检测的特征表示。YOLO-MS在MS COCO数据集上训练，性能优于YOLO-v7和RTMDet，且无需依赖其他大规模数据集。

本文介绍了一种名为MEGANet的多尺度边缘引导注意力网络，用于结肠镜图像中的息肉分割。该网络通过融合经典的边缘检测技术和注意力机制，能够有效地保留高频信息，解决了背景分布复杂、息肉大小和形状变化多样以及界限不清等挑战。

本文介绍了一种名为MEGANet的多尺度边缘引导注意力网络，用于结肠镜图像中的息肉分割。该网络通过融合经典的边缘检测技术和注意力机制，有效地保留了高频信息，解决了背景分布复杂、息肉大小和形状变化多样以及界限不清等挑战。

本文介绍了一种名为TFDNet的方法，用于从时频域捕捉长期潜在模式和时间周期性。TFDNet通过多尺度的时频增强编码器和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式。实验证明，TFDNet在效果和效率上优于现有方法。