1. Res2Net简析
paper: https://arxiv.org/pdf/1904.01169.pdf
Res2Net提出的契机， 其认为网络提取多尺度特征的能力是非常重要的，与其他网络不同的是，Res2Net没有在layer-wise这个层面改进，而是在更细粒度的层面改进了网络模型，其改进了Residual Block内部，以期能够提升该模块提取多尺度特征的能力。
- objects may appear with different sizes in a single image, e.g., the sofa and cup are of different sizes.
- the essential contextual information of an object may occupy a much larger area than the object itself.
- perceiving information from different scales is essential for understanding parts as well as objects for tasks such as fine-grained classification and semantic segmentation.
上图（b）即为Res2Net提出的Block， 经过1x1卷积之后，特征图分成4（s）部分。x1不做处理，直接传到y1，等价于skip-connection；x2经过3x3卷积之后分为两条线路，一条继续向前传播给y2，另一条传到x3，这样第三条线路就获得了第二条线路的信息；第三条线路、第四条线路，以此类推。每条线路的通道数为n/s。这样拆分组合的方式使得经过该block之后的特征感受野更加丰富，包含了多种尺度的特征，使得整的网络能够有效提取全局特征和局部特征。Res2Net提出了尺度（s）这个超参数，论文实验论证了增加该参数相比其他维度（通道，深度，宽度）更加有效。
总的组合方式可以归结为如下公式，也比较简单。
2. Integration with Modern Modules
Res2Net提出的Block可以轻松的嵌入到ResNet, SENet，ResNeXt，DLA等网络中。
3. 实验
与其他网络在ImageNet的Top-1 error对比。
对比了不同尺度因子（s）的效果。