空洞卷积详解（输入输出大小分析）

空洞卷积

 空洞卷积的提出主要是为了解决图像分割问题中存在的信息丢失问题，之前的图像分割算法往往会使用深度卷积神经网络，卷积层之间往往会夹杂着池化层来增大感受野，最后再通过一系列的上采样操作来将小尺寸的特征图样变换到输入图像的大小输出。使用池化层固然可以增加感受野，但是这一操作过程中会丢失许多的信息，这一点和hinton对于池化层的想法不谋而合。而同样的在上采样过程中，从小尺寸变换到大尺寸会存在着精度损失的问题，这一点在图像先缩小再复原的过程就可见端倪。因此我们需要一种可以不使用池化（下采样）和上采样，就能增加感受野的操作来代替原本的池化+上采样操作。空洞卷积应运而生。

空洞卷积和普通卷积

 空洞卷积和普通卷积的区别不大，只是多了一个 "dilation rate"的参数，这个参数定义了卷积核中两相邻元素的距离。普通卷积中卷积核中不同元素是紧密相连的，而在空洞卷积的卷积核中不同元素的距离可以不为1，这个距离越大意味着空洞卷积的感受野越大； 或者也可以认为是一个相同感受野大小的普通卷积，只是中间填充了许多权重不更新的零值。普通卷积和空洞卷积的示意图如下所示

上图即为普通卷积，下图为dilation rate=2时的空洞卷积，可以看出一个$3\times 3$大小的空洞卷积在进行卷积操作时，核捏内元素的距离为2，实际上等价于一个$5\times 5$大小的只在棋盘区域存在非零值的普通卷积。

 而普通卷积可以通过padding操作使得输入输出特征图样的大小相同，因此空洞卷积拥有了以下两个优势。¹

1. 扩大感受野: 使用空洞卷积可以使得参数量相同的情况下，增加卷积的感受野，原本$3\times 3$的卷积核只能覆盖面积为9的区域，而相同参数量的空洞卷积可以覆盖面积为25的感受野。且随着dilation rate的提升，感受野会进一步的増大。起到了原本池化层的作用。
2. 保持图像分辨率：由于空洞卷积可以认为是稀疏的普通卷积，在运算过程中我们可以通过paddding使得输入输出特征图样的分辨率相同。从而在图像分割任务中，避免了下采样和上采样带来的信息损失。

 以上两个优势使得空洞卷积较好的适应于图像分割任务，可以摒弃原本的池化和上采样操作。而据作者在论文中的描述，通过设置不同的dilation rate，卷积操作拥有了不同大小的感受野，可以获得多尺度的信息²。因此作者使用了连续7层dilation rate不完全相分别为{1, 1, 2, 4, 8, 16, 1, 1}的空洞卷积层构成了”上下文模块（context module）"，从而可以聚合多尺度的上下文信息³。（说实话，没看出这里和多尺度有啥关系，笔者所认为的多尺度信息应该指的是对不同分辨率的特征图样进行操作，如FPN；或者是使用不同大小的卷积核对同一特征图样进行操作，再进行拼接，如GoogLeNet，但这里的空洞卷积层是连缀在一起的，基本就类似于一系列不同大小的卷积层级联，没看出和多尺度的联系在哪，也没找到解释，可能作者意思是只要使用了不同大小的卷积核就算是多尺度。）

空洞卷积感受野的计算

 空洞卷积感受野的计算和普通卷积是一样的，只是需要将真实的卷积核大小用dilataionn rate补足即可。堆叠后的普通卷积感受野大小为⁴:

$$r_n=r_{n-1}+(k_n-1)\prod _{n=1}^{n-1}{s}_i$$
其中$r_n$为本层的感受野大小，$k_n$为本层的核尺寸（实际覆盖尺寸，空洞卷积需要考虑dilation rate,池化层同理），$s_i$为第$i$层的步长。
根据上述公式我们可以计算出三个连续堆叠的$3\times 3$,dilation rate ={1,2,4}的空洞卷积层感受野分别为｛3,7,15｝，这就是为何原作者会说空洞卷积支持感受野大小的指数增长。

空洞卷积的不足

 空洞卷积固然可以增大感受野，但不难看出它其实是忽略了一部分的像素间信息，这就带来了以下两个问题：

1. 局部相关性丢失：由于空洞卷积在计算是一种网格形式计算的，小于网格分辨率的元素都不会参与到计算，这就意味着我们执行卷积操作时其实不会考虑到小范围内的信息。如下图所示连续$3\times 3,d=1$空洞卷积：
   

越往左层数越高，可以看出最高层的信息来自于网格顶点的9个元素，而这9个元素又分别计算低一层的25个元素，但这25元素之间的关系并不十分紧密，最高层的距离为2的左上元素和中上元素在低一层的局部联系已经很弱了，更不消说再往下探一层。因此使用空洞卷积难以捕捉到元素的局部相关性。
2. 小尺度检测无力
 这一点其实是前一点引申出来的，既然局部相关信息考察不充分，那如果存在着小尺寸的物体，这种检测方式就有可能将其略过了。

后续改进方案

 针对空洞卷积局部相关性不足的缺项，后续研究产生了两种方案。

1. 混合

 混合方案是用另一种角度来思考空洞卷积，它可以认为是对图像进行不同其实位置的下采样，在下采样图像上进行普通卷积后再拼接回原始大小，如下图所示：

而相关性不足的原因就是拼接时只是简单的见缝插针，而并没有对不同位置的值进行信息融合。因此混合方案很简单，不同采样卷积结果进行融合即可：

2. 标准化构造

 既然问题出在由于dialation rate的设置使得高层的元素只利用到了感受野范围内的部分元素，那么我们只需要通过适当设计dialation rate使得感受野内全体元素都得到利用即可。HDC(Hyperbrid dilation Convolution)由此诞生，区别于context module的点在于它在不同层使用了不同的dilation rate，并且他们之间要符合一定的规律如下：

1. 不同层间的dilation rate不可以拥有除1以外的公因数。这一点比较好理解，如果设定为[2,4,4]这种形式，原本网格状感受野的本质并没有改变。
2. 次低层上的两非零元素的最大距离$M_2<k_2$。某层非零元素的最大距离$M_i$指的是当我们反推感受野时两个被利用元素间的最大距离，也就是空洞的最大长度。$k_i$为实际上采用的卷积核大小（不考虑dilation）。当满足$M_2<k_2$这一条件时，我们至少可以在第一层使用大小为$k_2\times k_2$的普通卷积来实现感受野全覆盖。假定使用了n个空洞卷积层，$M_n=r_n$，我们可以通过倒推的方式来求出$M_2$。其中第$i$层非零元素的最大距离$M_i$计算公式为:
   $$M_i=max[r_i,M_{i+1}-2r_i,M_{i+1}-2(M_{i+1}-r_i)]$$
   其中$r_i$为第i层的dilation rate。整体其实是在描述感受野边界点距离可能的情况，用图分析比较简单，如下：
   

使用以上两个准则，我们可以倒序设计出一组可行的空洞卷积层，再重复使用这组参数设计即可。例如使用｛1,2,5,1,2,5｝，｛1,2,5｝的覆盖效果如下，颜色越深说明该位置元素参与计算的次数越多。

参考

---

1. 吃透空洞卷积(Dilated Convolutions) ↩︎

2. 总结-空洞卷积(Dilated/Atrous Convolution) ↩︎

3. 如何理解空洞卷积（dilated convolution）？ ↩︎

4. 深度神经网络中的感受野(Receptive Field) ↩︎