Es wird ein einheitliches tiefes künstliches neuronalnetz (Deep Neural Network), das sogenannte Multi-Scale-CNN (MS-CNN), für eine schnelle Objektdetektion in mehreren Skalen vorgeschlagen. Die MS-CNN besteht aus einem Proposal-Unternetz und einem Detektions-Unternetz. Im Proposal-Unternetz erfolgt die Detektion an mehreren Ausgabeschichten, sodass die Empfindlichkeitsfelder (Receptive Fields) Objekten unterschiedlicher Skalen entsprechen. Diese ergänzenden, skalen-spezifischen Detektoren werden kombiniert, um einen leistungsfähigen Multi-Skalen-Objektdetektor zu erzeugen. Das einheitliche Netzwerk wird end-to-end durch Optimierung einer Multi-Task-Verlustfunktion trainiert. Zudem wird die Merkmals-Interpolation mittels Deconvolution als Alternative zur Eingabevergrößerung untersucht, um den Speicher- und Rechenaufwand zu reduzieren. Auf Datensätzen wie KITTI und Caltech, die eine große Anzahl kleiner Objekte enthalten, wird eine state-of-the-art-Objektdetektionsleistung mit bis zu 15 fps berichtet.