如何理解深度学习中的多尺度和不同视野信息

在进行图像处理的深度模型中，合理理解并利用不同尺度信息和不同视野信息将对图像结果有意想不到的结果，那么具体什么是多尺度信息，什么是不同视野信息

1.不同尺度信息 多尺度是指不同尺度的信号采样，在不同尺度下可以观察到不同的特征。多尺度不等同于多分辨率，后者简单理解为图像的尺寸大小，前者可以理解为与某固定事物之间的距离不同时人所感知的特征不同，即某物体在视场中成像大小不同时(尺度不同)，其表现出的特征也不同。某些特定情况下，多分辨率可实现多尺度。在神经网络中，多尺度可具体表现为将不同卷积层的输出特征图缩放为统一尺寸，使其既包含全局整体信息，又包含局部细节信息。不同尺度的图像适用于不同的任务。若图像任务简单，如判断原图是否为纯色或是否有前景，则小尺度图像即可满足；若图像任务难度中等，如任务要求对该图像进行分类，则至少需要中等尺度；若图像任务较难，如任务要 求实现语义分割或图像描述等，依赖大尺度图像才能获取良好效果。

2.不同感受野（视野）信息 感受野是卷积神经网络的重要概念之一：若感受野太小，表明网络只能观察到图像的局部特征；若感受野太大，虽然对全局信息理解更强，但通常也包含了许多无效信息。为了提高有效感受野从而避免冗余信息，捕获多尺度特征是当前研究者们常采用的方法。比如拿望远镜看远方为小视野，直接光看为大视野。

注：一般在图像处理中，高分辨率特征图包含较多细节信息，低分辨率特征图包含较多全局信息。