【深度学习基础之多尺度特征提取】多尺度卷积神经网络（MS-CNN）是如何在深度学习网络中提取多尺度特征的？附代码（二）

文章目录

【深度学习基础之多尺度特征提取】多尺度卷积神经网络（MS-CNN）是如何在深度学习网络中提取多尺度特征的？附代码（二）
- 前言
- 1. MS-CNN的示例代码实现
- 2. 总结
测绘遥感、地质主题会议
- 2025年人文地理与城乡规划国际学术会议（HGURP 2025）
- 第二届遥感技术与测量测绘国际学术会议（RSTSM 2025）

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议详细信息可参考：https://ais.cn/u/mmmiUz

前言

多尺度卷积神经网络（MS-CNN） 是一种通过多尺度特征提取来增强卷积神经网络（CNN）能力的方法。通过将图像输入多个卷积层或卷积核以不同的尺度处理，可以让模型同时捕获到不同尺寸的特征。这种方法特别适合处理目标尺度变化较大的任务，如目标检测、语义分割等。

1. MS-CNN的示例代码实现

我们可以通过多个卷积层、不同大小的卷积核来实现一个简单的 MS-CNN 示例。以下是一个使用 PyTorch 实现的多尺度卷积神经网络，其中通过不同的卷积核来提取多尺度特征。

import torch
import torch.nn as nn
import torch.nn.functional as F# 定义一个多尺度卷积神经网络
class MS_CNN(nn.Module):def __init__(self, in_channels=3, out_channels=64):super(MS_CNN, self).__init__()# 多个卷积核来提取不同尺度的特征self.conv1_3x3 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1)self.conv1_5x5 = nn.Conv2d(in_channels, out_channels, kernel_size=5, padding=2)self.conv1_7x7 = nn.Conv2d(in_channels, out_channels, kernel_size=7, padding=3)# 合并多个尺度的特征self.conv2 = nn.Conv2d(out_channels * 3, out_channels, kernel_size=1)# 输出分类层（这里假设输出的类别数为10）self.fc = nn.Linear(out_channels, 10)def forward(self, x):# 对输入图像进行不同尺度的卷积操作x1 = F.relu(self.conv1_3x3(x))  # 3x3卷积x2 = F.relu(self.conv1_5x5(x))  # 5x5卷积x3 = F.relu(self.conv1_7x7(x))  # 7x7卷积# 将不同尺度的特征拼接起来x_fused = torch.cat((x1, x2, x3), dim=1)# 对拼接后的特征进行卷积x_fused = F.relu(self.conv2(x_fused))# 对融合后的特征进行池化x_fused = F.adaptive_avg_pool2d(x_fused, (1, 1))  # 全局平均池化x_fused = x_fused.view(x_fused.size(0), -1)  # 展平# 最终输出x_out = self.fc(x_fused)return x_out# 示例使用
if __name__ == "__main__":# 假设输入图像大小为 (batch_size=1, channels=3, height=32, width=32)input_tensor = torch.randn(1, 3, 32, 32)# 初始化MS-CNN模型model = MS_CNN()# 前向传播output = model(input_tensor)# 打印输出的形状print(f"输出形状：{output.shape}")