一文详解空洞卷积（Atrous Convolution）

1、什么是空洞卷积（Atrous Convolution）

1.1定义：

与反卷积正好相反，空洞卷积它是对卷积核的kernel size之间进行插值，用参数dilation来决定kernel size之间插值的数量，如果dilation等于2就是在原kernel size插一行，如图：

1.2 空洞卷积后的feature size大小

因为空洞卷积是对kernel size进行插值，所以空洞卷积后的feature size大小为：

上面这个式子应该都能看懂，只是加了dilation[0]之后，kernel size变成了dilation[0]*(kernel size[0]-1)+1，然后再替换原先的kernel size即可。

1.2.1空洞卷积的反卷积输出

说白了就是把上式的H_out、W_out作为输入，然后求出上式的H_in、W_in，此时的H_in、W_in作为空洞卷积反卷积之后的输出：

1.3 为什么使用空洞卷积

简单来说有两点：1、增大了感受野；2、与原卷积相比空洞卷积的参数量不变；
注： 感受野：输出的feature map每一个点占原输入的像素的多少。

1.4 感受野的计算

（a）：对输入原图进行3×3的常规卷积，所以卷积后的每一个点的感受野为3×3；
（b）：对（a）输出的feature map进行dilation为2的空洞卷积，（b）图每一个红点代表的感受野都为3×3，所以（b）图的感受野为7×7；
（c）：以此类推，（c）图的感受野为15×15；
总结： 感受野的计算公式：RF_out=（RF_in - 1）* stride + kernel-size，其中 RF_in 为上次卷积输出的感受野，kernel-size为当前卷积核的大小，比如对于（b）图来说，RF_in = 3，kernel-size = 5，所以 RF_out = （3-1）x 1 + 5 = 7，对于（c）图来说，RF_in = 7，kernel-size = 9，所以 RF_out = （7-1）x 1 + 9 = 15