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，通过结合多尺度时间序列分解和预训练大型语言模型，解决复杂时间序列预测问题。实验结果表明，该框架在多变量和单变量数据集上表现优于其他模型，证明了其有效性和可扩展性。

该研究提出了一种无监督学习的多尺度曝光融合算法，解决了在HDR场景中将不同曝光的LDR图像融合成高质量LDR图像的问题。通过新颖的损失函数和多尺度策略，算法显著提高了图像质量，保留了场景深度和局部对比度。实验结果显示，该算法优于现有方法。

本研究提出了LoRA$^2$方法，通过扩展低秩适应方法到多尺度，结合正交投影理论和改进的重要性评分算法，减少了训练参数数量，提升了适应性和性能。研究结果表明，LoRA$^2$在微调中仅需0.72%的参数，仍能实现与基线相当的性能。

本研究提出了LoRA$^2$方法，通过扩展低秩适应方法到多尺度，结合正交投影理论和改进的重要性评分算法，减少了训练参数数量，提升了适应性和性能。研究结果表明，LoRA$^2$在微调中仅需0.72%的参数，仍能实现与基线相当的性能。

遥感物体检测是遥感领域的重要任务之一，深度学习技术在该领域取得了巨大进展。本综述回顾了基于深度学习的遥感物体检测方法的最新成果，包括多尺度、旋转、弱目标、微小目标和受限监督目标检测等挑战。同时介绍了常用的数据集、评估指标和应用场景，并提出了未来的研究方向。

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。