多尺度卷积神经网络具有极强的特征信息提取和模型拟合能力，输入数据依次通过多尺度卷积神经网络的卷积层、激活层、池化层等，特征通道数不断增加而特征图尺寸不断减小，不同尺寸的卷积核提取的特征信息也有所不同，因此融合不同卷积核尺寸提取的特征能够提升CNN的特征表达能力，从而提高卷积神经网络模型的性能。

是的，多尺度卷积神经网络确实可以通过融合不同尺寸的卷积核提取更多的特征信息，从而提高模型的性能。在多尺度卷积神经网络中，不同尺寸的卷积核可以捕捉不同尺度的特征，例如较小的卷积核可以捕捉局部细节特征，而较大的卷积核可以捕捉全局语义特征。通过在不同层使用不同尺寸的卷积核，多尺度卷积神经网络可以有效地提取不同尺度的特征信息，从而提高模型对输入数据的表示能力和泛化能力。