CNN多尺度特征提取的常见方法主要包括以下几类：
基于全连接层特征的方法：
空间金字塔池化：使用SPP替代全连接层前的平均池化或最大池化层，将任意大小的图像转换为固定维度的输出，从而融合不同尺度的信息。多尺度无序池化：将图像分为三个层级，分别提取全连接层特征，并通过聚合不同尺寸的patch特征来形成多尺度特征。
基于卷积层特征的方法：
去除全连接层并使用卷积层提取特征：将图像缩放为不同尺寸，分别输入CNN提取Conv特征并聚合，最后将各尺寸图像对应的特征进行合并。采用多个具有不同滤波器大小的CNN：通过调整滤波器大小来获得多尺度特征，这种方法不依赖于输入图像尺寸的变化。
结合全连接层和卷积层特征的方法：
DAGCNN等模型：通过多尺度识别策略，结合不同层的特征提取，进一步增强了模型在多尺度数据上的处理能力。
总结：这些方法旨在通过融合不同尺度的图像信息，提高深度学习模型在各种图像处理任务中的性能。在实际应用中，可以根据具体任务的需求和数据特点选择合适的多尺度特征提取方法。