Los detectores de objetos sin anclaje actuales no dependen de anclajes y obtienen una precisión comparable a la de los detectores basados en anclajes. Sin embargo, los detectores de objetos sin anclaje que adoptan un mapa de características de un solo nivel y carecen de una red de pirámide de características (FPN) no tienen información previa sobre la escala de un objeto; por lo tanto, no se adaptan suficientemente a la variación de escala de objetos grandes, especialmente para la conducción autónoma en escenas de carretera complejas. Para abordar este problema, proponemos una solución de dividir y conquistar e intentamos introducir alguna información previa sobre la variación de escala de objetos en el modelo al mismo tiempo que mantenemos una estructura de red simplificada. Específicamente, para objetos de pequeña escala, añadimos algunas conexiones de salto de capa densa entre las capas de características de alta resolución poco profundas y las capas de características de alta semántica profundas. Para objetos de gran escala, se utiliza la convolución dilatada como un componente para cubrir las características de objetos de gran escala. Basándonos en esto, se propone un módulo de adaptación de escala. En este módulo, se utilizan diferentes tasas de expansión de convolución dilatada para cambiar el tamaño del campo receptivo de la red, lo que puede adaptarse a cambios de pequeña a gran escala. Los resultados experimentales muestran que el modelo propuesto tiene un mejor rendimiento de detección con diferentes escalas de objetos que los detectores existentes.