在視覺檢測中處理多尺度目標(biāo)，主要采用兩大類方法：圖像金字塔和特征金字塔。

1. 圖像金字塔：

方法描述：圖像金字塔的核心在于將圖像降采樣到不同的尺度，然后分別進(jìn)行后續(xù)的處理。傳統(tǒng)的圖像處理/目標(biāo)檢測方法以及早期的深度學(xué)習(xí)方法多使用圖像金字塔處理多尺度問題。

應(yīng)用實(shí)例：經(jīng)典的基于簡單矩形特征（Haar）+級聯(lián)Adaboost與Hog特征+SVM的DPM目標(biāo)識別框架，以及早期的CNN目標(biāo)識別框架，均采用圖像金字塔的方式處理多尺度目標(biāo)。

優(yōu)缺點(diǎn)：雖然這種方法簡單且效果良好，但對不同尺度的圖像分別進(jìn)行CNN提取特征會造成較長的耗時和較大的內(nèi)存消耗。

2. 特征金字塔：

方法描述：特征金字塔網(wǎng)絡(luò)（FPN）是特征金字塔方法中的代表，它通過將不同層的優(yōu)勢結(jié)合，使得每一層相比原來都有更豐富的語義特征和分辨率信息。

多尺度特征融合：特征金字塔方法還包括多尺度特征融合，如并行的多分支結(jié)構(gòu)（如Inception基本模塊、ASPP等）和串行的多尺度結(jié)構(gòu)，這些結(jié)構(gòu)通過在不同尺度上提取特征并進(jìn)行融合，提高算法對尺度變化的適應(yīng)性。

還有一些其他方法，如尺度不變特征變換（SIFT）等算法，能夠提取尺度不變的特征點(diǎn)，以應(yīng)對尺度變化。以及SNIP（多尺度訓(xùn)練的改進(jìn)版本），它只對size在指定范圍內(nèi)的目標(biāo)回傳損失，從而減少domain-shift帶來的影響，提高多尺度目標(biāo)檢測的效果。

視覺檢測中處理多尺度目標(biāo)的方法多種多樣，可以根據(jù)具體的應(yīng)用場景和需求選擇合適的方法。