空洞卷积与RFBNet--------网格问题_卷积采样网格化会怎么样-优快云博客

本文链接：https://blog.youkuaiyun.com/goodxin_ie/article/details/100053942

本文探讨了空洞卷积（dalited conv）的gridding effect问题和在捕捉小目标时的局限性。RFBNet通过在dilated卷积前使用对应尺寸的传统卷积，有效地缓解了这一问题，同时借鉴了人眼视觉皮层的特性，增强了中心点的权重。RFBNet与ASPP结构的主要区别在于处理gridding效应的方式，提供了更优的解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言：最近在看RFBNet，其中提到ASPP结构的缺陷，当时不太理解，回去重新看了一下dalited conv

一、dalited conv的缺陷

问题1：gridding effect

众所周知，空洞卷积在不增加参数的情况下扩大了卷积的感受野，但是与此同时带来了一个比较严峻的问题。由于空洞卷积在特征图上是离散的采样，缺乏相关性（个人认为这种操作在单独使用dalited conv时是一种优点），但是在dalited conv连续堆叠的情况（如下图）下， kernel 并不连续，也就是并不是所有的 pixel 都用来计算了，因此这里将信息看做 checker-board 的方式会损失信息的连续性，这就是所谓的gridding问题。