空洞卷积、转置卷积

Atrous Convolution 空洞卷积

空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为“扩张率（dilation rate）"的新参数，该参数定义了卷积核处理数据时各值的间距。空洞卷积提供了更大的感受野。

在相同感受野的情况下，使用空洞卷积可以得到更大的特征图，可以获得更加密集（Dense）的数据。
举例说明如下图，左边是先池化，在普通卷积，得到了2个值，每个值的感受野是7；
右边是先池化，在空洞卷积，得到了3个值(多了1个值)，每个值的感受野也是7；

在相同感受野的情况下，更大的特征图有助于在目标检测和目标分割的任务中对小物体的识别分割效果(小物体在图像中本来的数据就少，小的特征图中包含的数据就更少了)。
举例说明，
上边是先池化，在普通卷积，在上采样得到10x10的特征图
下边是先池化，在空洞卷积，直接得到10x10的特征图
两特征图比较，下边数据更密集，包含的信息量更多一些。
空洞卷积比较好的保留了数据的特征，不会让数据的特征减少太多，这样就有更多的数据来进行分割或者检测的判断，一般来说会得到更加好一点的结果。

转职卷积

转置卷积（transposed Convolutions）又名反卷积（deconvolution）或是分数步长卷积（fractially straced convolutions）。
那什么是反卷积？从字面上理解就是卷积的逆过程。值得注意的反卷积虽然存在，但是在深度学习中并不常用。而转置卷积虽然又名反卷积，却不是真正意义上的反卷积。转置卷积是一种上采样的方式（Upsampling），可以让小图片变成大图片。
蓝色部分是原来的特征图(2x2)，进过转置卷积之后，绿色的是新特征图(4x4)，特征图变大了

蓝色部分是原来的特征图(2x2)，进过转置卷积之后，绿色的是新特征图(5x5)，特征图变大了
对转置卷积来说，步长越大，走得越慢，生成的特征图反而越大。
步长为2，是步长为1的1/2
步长为3，是步长为1的1/3