#空洞卷积（Atrous Convolution） 原理解释+代码学习

空洞卷积概念

        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。

 

• 图a：3*3空洞为1的卷积，与普通卷积相同。
• 图b：3*3空洞为2的卷积，对于一个7x7的图像patch，只有9个红色的点和3x3的kernel发生卷积操作，其余的点略过。
• 图c：3*3空洞为4的卷积，能达到15x15的感受野。对比传统的conv操作，3层3x3的卷积加起来，stride为1的话，只能达到(kernel-1)*layer+1=7的感受野，也就是和层数layer成线性关系，而dilated conv的感受野是指数级的增长。

空洞卷积的用处： 

• 增加感受野：不做池化损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息；
• 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，因此，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。

代码实现：

使用 tf.keras.layers.Conv2D（）函数

#一般在第四、第五层卷积处使用
x = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal',dilation_rate=2)(pool3)

更多的使用在需要大的感受野的情况下，例如在目标检测中大物体的使用，对于小物体空洞卷积并不适用。