![567b22131020247c724ca25228844ced.png](https://i-blog.csdnimg.cn/blog_migrate/c5dc14630f1dcc4d84d7542861f5a585.png)
一、空洞卷积的提出
空洞卷积中文名也叫膨胀卷积或者扩张卷积,英文名也叫Atrous Convolution
空洞卷积最初的提出是为了解决图像分割的问题而提出的,常见的图像分割算法通常使用池化层和卷积层来增加感受野(Receptive Filed),同时也缩小了特征图尺寸(resolution),然后再利用上采样还原图像尺寸,特征图缩小再放大的过程造成了精度上的损失,因此需要一种操作可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样操作,在这种需求下,空洞卷积就诞生了(略有修改,引自[4])
玖零猴:感受野(Receptive Field)的理解与计算@玖零猴@zhuanlan.zhihu.com![1dab5569c8e30a69253f76d53f35af2e.png](https://i-blog.csdnimg.cn/blog_migrate/5d14d0414ba94b2dd19c9523e3435269.jpeg)
当然,如果不用空洞卷积这种方案,那怎么去弥补经过下采样而造成信息损失呢?其实,这是另一个思路了,于是才有了我们熟知的skip connection,它可以为上采样弥补信息,像FCN、U-Net这种典型的拓扑网络,如下图所示,其实我个人认为,如果一个问题如果从不同的思路去想的话,就会出现不同的解决方案
![46a6959fe50c7b31980168c0ed2f058c.png](https://i-blog.csdnimg.cn/blog_migrate/3cba3d2e1feb6a984ea907be846c8bfb.jpeg)
空洞卷积自2016在ICLR(International Conference on Learning Representation)上才被提出后,本身是用在图像分割领域,但立马被deepmind拿来应用到语音(WaveNet)和NLP领域,它在物体检测也发挥了重要的作用,虽然不要求逐个像素检测,但对于小物体的检测也是十分重要的
二、空洞卷积的原理
与正常的卷积不同的是,空洞卷积引入了一个称为 “扩张率(dilation rate)”的超参数(hyper-parameter),该参数定义了卷积核处理数据时各值的间距。扩张率中文也叫空洞数(Hole Size)。
在此以
![d7c5f24b14bceb78fb576f2a9b8eaf26.png](https://i-blog.csdnimg.cn/blog_migrate/909e40b9bfa4a9e4f7c1b6d426fc998b.jpeg)