众所周知通常CNN要求输入图像尺寸是固定的，比如现有的效果比较好的pre-trained的模型要求输入为224224，227227等。这个要求是CNN本身结构决定的，因为CNN一般包括多个全连接层，而全连接层神经元数目通常是固定的，如4096，4096，1000。这一限制决定了利用CNN提取的特征是单一尺度的，因为输入图像是单一的。
多尺度特征（multi-scale feature）能有效改善image retrieval, image classification以及object detection等任务的结果，以下参考已有文献介绍几种常见的利用CNN提取multi-scale feature的方法。
这里可以把multi-scale feature分为Fc特征（从全连接层提取的特征），Conv特征（从卷积层提取的特征）以及Fc与Conv特征结合三类。

Fc特征

（1）利用spatial pyramid pooling代替全连接层前面的average或max pooling层。
spatial pyramid pooling（spp）来源于spp-net这个CNN模型，相应的论文是“Spatial pyramid pooling in deep convolutional networks for visual recognition”。spp可以将任意尺寸的图像对应的feature map转化为固定维度输出（比如4096），如此一来，我们可以将图像进行缩放等操作变换成不同尺寸的图像，然后输入到带有spp层的CNN中即可得到multi-scale feature。
（2）multi-scale orderless pooling （MOP）
MOP出自文献“Multi-scale Orderless Pooling of Deep Convolutional Activation Features”，虽然也被称为pooling，但实际上有区别于CNN中的pooling层。MOP思想是：将图像分为3个level（该思想很常见，如spatial pyramid matching，SPM），其中level 1为原始图像，level 2将图像分成很多小尺寸的patch，level 3将图像分成更小尺寸的patch。level 1直接提取Fc特征得到一个特征向量；level 2将各patch缩放到CNN输入大小，然后按level 1的处理方法提取patch的Fc特征，最后利用VLAD进行feature aggregation得到一个特征向量；level 3处理方法同level 2。三个level的特征合并即得到multi-scale feature。

Conv特征

（1）去掉CNN的全连接层，利用卷积层提取Conv特征。
将图像进行缩放得到多个不同尺寸的图像，然后分别输入CNN提取Conv特征并作feature aggregation，最后将各尺寸图像对应的特征进行合并。论文“Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery”使用的是该方法。
（2）采用多个CNN（filter大小不同）进行特征提取.
该方法与（1）中的方法相对应，（1）中方法在于改变输入图像尺寸而（2）种方法在于改变filter大小。

Fc与Conv特征结合

简单地说就是结合Conv特征和Fc特征，如DAG-CNN，来自论文“Multi-scale recognition with DAG-CNNs”。我们当然可以利用CNN提取不同层（Conv和Fc）特征然后进行合并，但是DAG-CNN提供了一个新的解决思路。