摘要
针对图像分割中像素的密集预测,开发了一种新的卷积网络模块。膨胀的卷积系统地聚合多尺度上下文信息而不丢失分辨率。
膨胀的卷积支持接收域的指数扩展。
前言
近年来,有两种处理多尺度推理和全分辨率密集预测的方法:
- 持续地从下采用层中反复使用up-convolutions(上卷积?)恢复损失的分辨率
- 提供多个重新扫描的图像最为输入到网络中,并结合这些多输入的预测
扩张的卷积
既然加pooling层会损失信息,降低精度,不加pooling层会使感受视野变小,学不到全局特征。那么去掉pooling层,扩大卷积核不就可以了,但是纯粹扩大卷积核势必导致计算上的灾难,此时空洞卷积就是好的idea。
图a,传统的卷积网络,接收域是3x3
图b,使用2-dilated con