論文地址：https://arxiv.org/pdf/2006.11538.pdf
github：https://github.com/iduta/pyconv
作者認為，當前CNN主要存在兩個不足：（1）實際的感受野不足；（2）在下采樣中，很多的細節信息會丟失。
從圖中可以看出，有的物體尺寸較大（建築、沙發），有的物體尺寸較小（行人，書本）。這種尺寸的變化是標准卷積級經捕獲的。為此，作者提出了金字塔卷積（Pyramid Convolution, PyConv），包含不同尺度的卷積核，可以提取多尺度信息，在多個任務上均取得了較好的性能
PyConv 的示意如圖所示，直觀來看，就是從上往下卷積核的大小依次減小，同時，在通道維度上，通道的數目依次增加。最后將得到的 feature map 拼接起來。
在圖像分類任務中的 PyConv 示意所圖所示，首先是9X9的卷積，16個卷積核，分為16組，因此生成16X16=256個 feature map；然后是7X7的卷積，16個卷積核，分為8組，因此生成16X8=128個 feature map；接着是5X5的卷積，16個卷積核，分為4組，因此生成16X4=64個 feature map；最后是3X3的卷積，16個卷積核，只有1組，因此生成16X1=16個 feature map。然后，會用1X1的卷積來使輸出的維度都為 256。
備汪：關於分組卷積，網上有一個比較形象的圖示。對於普通卷積，如果輸入的 feature map 尺寸為CHW， 卷積核的數量為N，每個卷積核的尺寸為CxKxK，那么輸出的 feature map 尺寸為 CHN，總的參數量為：NxCxKxK 。
如果進行分組卷積，假定要分成 G 組，每組輸入的 feature map 數量為 \(\frac{C}{G}\)，每組輸出的 feature map 數量為 \(\frac{N}{G}\)，每個卷積核的尺寸為\(\frac{C}{G}\times K\times K\), 每組的卷積核數量為 \(\frac{N}{G}\)，卷積核只與同組的輸入進行卷積，則總的參數量為 \(N\times \frac{C}{G} \times K \times K\)，則總的參數量減少為以前的 \(\frac{1}{G}\)。
當分組數量等於輸入map數量，輸出map數量也等於輸入map的數量，即 G=N=C，每個卷積核尺寸為\(1\times K \times K\)時，就成了 Depthwise convolution。
金字塔卷積 PyConv，通過集成不同尺度的卷積核，提升了多個視覺任務的性能，同時，該模塊是一種“即插即用”的模塊，可以較好的嵌入不同的網絡架構中。