Multi-Scale Context Aggregation by Dilated Convolutions 总结

---

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：

1. 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
2. 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。

如图：

图a，传统的卷积网络，接收域是3x3

图b，使用2-dilated con