我们知道正常的卷积已经能够提取特征了，那么空洞卷积又是做什么的呢？
空洞卷积（atrous convolutions），又称扩张卷积（dilated convolutions），向卷积层引入了一个成为“扩张率（dilated rate）”的新参数，该参数定义了卷积核处理数据时各值的间距。下图是正常卷积核空洞卷积的动态图对比：
下图为卷积核为3x3，步长为1的普通卷积：
下图为卷积核为3x3，步长为1，扩张率为1的空洞卷积：
对比上两动图，先感受下区别。
空洞卷积有什么用呢？
在深度网络中为了增加感受野且降低计算量，总要进行降采样池化等，这样虽然可以增加感受野，但空间分辨率降低了。为了能不丢失分辨率，且仍然扩大感受野，可以使用空洞卷积。这在检测时，一方面感受野大了可以检测分割大目标，另一方面分辨率高了可以精确定位目标。另外，还可以通过调整扩张率来获得多尺度信息。
所以总的来说，空洞卷积主要作用：
- 不丢失分辨率的情况下扩大感受野
- 调整扩张率获得多尺度信息
不丢失分辨率的情况下扩大感受野：
我们通过图例来看下空洞卷积是如何发挥作用的？首先空洞卷积是怎么在不丢失特征分辨率的情况下扩大感受野，看下图：
上图左侧为对0-9共10颗像素的正常3x3卷积，padding为same，stride=1的情况下，我们知道其卷积后共得到10个特征，每个特征的感受野均为3x3，如左侧红色的那个特征覆盖3,4,5三颗像素（想象二维情况下应该是3x3）。
上图右侧为对0-9共10颗像素的空洞3x3卷积，这里的3x3是指有效区域，在padding为same，stride=1的情况下，也得到了10个特征，但是每个特征的感受野为5x5，如右侧蓝色的那个特征覆盖2,3,4,5,6五颗像素（想象二维情况下应该是5x5）。
这就在不丢失特征分辨率的情况下扩大了感受野，进而对检测大物体有比较好的效果。
调整扩张率获得多尺度信息：
那么如何通过调整扩张率来获得多尺度信息呢？我们一起看下图：
上图右侧为对0-9共10颗像素的空洞3x3卷积，这里的3x3是指有效区域，在padding为same，stride=1，dilated rate=1的情况下，也得到了10个特征，但是每个特征的感受野为5x5，如右侧蓝色的那个特征覆盖2,3,4,5,6五颗像素（想象二维情况下应该是5x5）。
而左侧为为3x3空洞卷积，padding为same，stride=1, dilated rate=2的情况下，我们可以看到卷积后的特征的感受野为7x7，如红色特征的感受野为1,2,3,4,5,6,7。
所以，我们可以通过调整dilated rate大小，来调整卷积层的感受野，不同的感受野可以感受不同尺度信息的物体。
So, 你Get到了吗？
本文转自：智能算法（微信号：AI_Algorithm），作者： 左右Shawn，转载此文目的在于传递更多信息，版权归原作者所有。
