本研究提出了一种新颖的多尺度方法，成功融合水下与空中图像，实现了珊瑚礁区域的高精度分类，AUC分数达到0.9251，展示了多尺度成像与人工智能在珊瑚礁监测中的应用潜力。

本文介绍了一种基于深度卷积神经网络的自动化脑肿瘤分割和分类模型，采用多尺度方法处理MRI图像。该模型无需去除颅骨，能识别脑膜瘤、胶质瘤和垂体瘤。在233名患者的MRI数据集上测试，分类准确度达到0.973，优于其他方法。

本研究探讨了智能手机摄像中计算资源利用率和图像质量之间的权衡。实验结果显示，多尺度和单尺度方法在图像质量和运行时方面表现相似，但单尺度方法内存使用较低。融合方法在YUV颜色空间中表现更好，融合权重对图像质量和运行时影响较小。增加曝光程度高的输入帧数并不一定提高图像质量，但会增加计算资源使用和运行时。堆叠方法可以降低内存使用，但可能损害图像质量。研究强调在受限环境中选择合适的配置，并为智能手机应用领域的图像融合方法提供见解。

本文提出了一种完全自动化的深度卷积神经网络脑肿瘤分割和分类模型，包括多尺度方法。该模型可分析MRI图像中的三种肿瘤类型，无需预处理输入图像。在公开可用的MRI图像数据集上，该方法的性能明显优于其他方法。