概述
本文提出了金字塔卷积（PyConv），能够在多尺度的卷积核上处理输入的图像。PyConv包含一个卷积核金字塔，每一层级是大小和深度都不同的卷积核，从而可以捕获场景中不同级别的细节，另外PyConv不会增加计算成本和参数，是十分高效的，而且PyConv十分灵活，具有可扩展性。Motivation
在现实中，有些类别的物体有着非常打的空间尺寸，而有些物体通常是很细小的。即使是同一类别的物体，在尺寸上也可能会有很大的差异。要捕捉到不同种类的物体以及它们在尺寸上的差异性，只采用单一类别的卷积核显然不足以解决如此复杂的问题。
Contributions
- 提出了金字塔卷积，金字塔卷积包含不同大小和深度的卷积核。能够捕捉不同级别的细节信息，同时，金字塔卷积还十分高效，与标准卷积有着相似的参数数量和计算成本。同时，金字塔卷积非常灵活和可扩展，可以应用于各种网络架构来处理不同的计算机视觉任务。
- 提出了两种用于图像分类的网络，性能卓越，并且在参数数量和计算成本方面表现优异。
- 提出了一种语义分割的新框架，可以捕获局部的、全局的不同级别的语义信息
- 提出了基于金字塔卷积的用于目标检测和视频分类的网络框架
Pyramidal Convolution
图（a）是标准卷积，输入的特征图经过一个单一尺寸的卷积核之后得到输出特征图。
图（b）是金字塔卷积，可以看到输入的特征图会经过不同尺寸的卷积核，然后将每一个特征图按通道连接起来得到输出。卷积核的尺寸不断变大，同时卷积核的深度不断减少。
为了能够使用不同深度的卷积核，采用了分组卷积的方式，这样就能够得到同样通道数的特征图了。
作者在文中论证了参数量和计算量与标准卷积近似。
advantages of the PyConv：
- Multi-scale Processing：与标准卷积相比，金字塔卷积在不增加额外计算量的情况下扩大了感受野。在采用了不同尺寸的卷积核后，可以更好地捕获多尺度的细节信息。
- Efficiency：在标准情况下，金字塔卷积的参数量和计算量与标准卷积类似，此外，金字塔卷积支持并行计算，可以在不同的计算单元上独立执行，然后合并输出。
- Flexibility：金字塔卷积为各种各样的网络结构打开了大门，用户可以根据实际任务*地选择金字塔卷积的层数，金字塔卷积所使用的卷积核的尺寸和深度。
PyConv Networks for Image Classification
PyConv Network on Semantic Segmentation
