介绍
空洞卷积，又称 带孔卷积（Atrous Convolution），又称 扩张卷积/膨胀卷积（Dilated Convolutions）
出处：Multi-Scale Context Aggregation by Dilated Convolutions
作用
在出现空洞卷积之前的CNN分割网络中，习惯于使用Pooling的方式降低图像的尺寸，同时增大网络的 感受野。
最后再使用Upsampling操作将图像的尺寸恢复到原始的大小，以得到像素级的分割结果。
这样的一个 Pooling->Upsampling 的操作导致图像的一些信息丢失(Pooling不可逆)，尤其在细节上可能会有比较大的影响。
所以为了达到 增大感受野 同时 不丢失图像信息 的效果，提出了空洞卷积
卷积 vs 空洞卷积
卷积
计算公式：
- S是strides（滑动步长）
- 原图片大小为N1xN1（下图为4x4）
- 卷积核大小为N2xN2（下图为3x3）
- P是padding大小
卷积后图像大小：(N1-N2+2P)/S+1
如下图：
空洞卷积
空洞卷积（Atrous convolutions）在卷积时，在卷积核元素之间插入0值
引入了一个新的超参数 d，插入的0值数量：(d - 1)，假设原来的卷积核大小为 k，那么插入了 (d - 1) 个0值后的卷积核大小 n 为：
n=k+(k-1)*(d-1)
空洞卷积结果大小计算公式为：
- S是strides（滑动步长）
- 原图片大小为N1xN1（上图为7x7）
- 卷积核大小为N2xN2（上图为3x3）
- P是padding大小（上图为0）
(N1-n+2p)/S+1
代入式子：
空洞卷积核大小为：
n=N2+(N2-1)*(d-1) = 3+(3-1)*(2-1)=5
空洞卷积结果大小为：
(N1-n+2p)/S+1 = (7-5+2*0)/1+1 = 3