空洞卷积英文_卷积运算的边界问题

由Deeplabv1提出的。
有两种实现方式：
- 一，卷积核填充0。
- 二，输入等间隔采样。
扩张率(dilation rate)，也叫空洞数(Hole Size)。
标准卷积可以看做空洞卷积rate=1（Note：rate=2表示中间空洞间隙为1）的特殊形式。
中间的空洞间隙，计算感受野的时候，也属于感受野的有效范围。（单个卷积的感受野计算公式：[(rate-1)(k-1) + k] ** 2 ，其中(rate-1)(k-1) 是因为空洞而新增加的边长增量）
作用：
- 扩大感受野：
  - 原本为了增加感受野同时不增加计算量，只能进行降采样(pooling或s2/conv)，但空间分辨率（fm尺度）因此缩小了。
  - 空洞卷积可以在不需要引入额外参数的前提下，任意扩大感受野。
  - 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。因此空洞卷积主要应用于检测、分割。
- 捕获多尺度上下文信息：
  - 空洞卷积有一个参数可以设置dilation rate，具体含义就是在卷积核中填充dilation rate-1个0。
  - 当设置不同dilation rate时，感受野就会不一样，也即获取了多尺度信息（常考deeplabv2的ASPP）。而多尺度信息在视觉任务中相当重要。
用法：
- 语义分割由于需要获得较大的分辨率图，因此经常在网络的最后两个stage丢弃降采样操作，改用空洞卷积减少感受野的丢失。
缺点：
- 在实际中不好优化，且缺少对应的算子加速，速度会大大折扣。
- 因为空洞卷积得到的某一层的结果中，邻近的像素是从相互独立的子集中卷积得到的，相互之间缺少依赖。因此存在gridding问题（网格效应/棋盘问题）：
  - 局部信息丢失：由于空洞卷积的计算方式类似于棋盘格式，某一层得到的卷积结果，来自上一层的独立的集合，没有相互依赖，因此该层的卷积结果之间没有相关性，即局部信息丢失。
  - 远距离获取的信息没有相关性：由于空洞卷积稀疏的采样输入信号，使得远距离卷积得到的信息之间没有相关性，影响分类结果。
改进方法：
- HDC：
  - 不同于采用相同的空洞率的deeplab方案，该方案将一定数量的layer形成一个组，然后每个组使用连续增加的空洞率，其他组重复。
  - 如deeplab使用rate=2,而HDC采用r=1,r=2,r=3三个空洞率组合，这两种方案感受野都是13。
  - 但HDC方案可以从更广阔的像素范围获取信息，避免了grid问题。
  - 同时该方案也可以通过修改rate任意调整感受野。
- deeplabv3在v2基础上进一步探索空洞卷积，分别研究了级联ASPP与并联ASPP两种结构。