卷积的种类很多，针对通道、像素、感受野等很多方面，都可以设计出不同的卷积算法。本文整理了一下最近论文中看到的一些卷积类型，主要包括：卷积，转置卷积（反卷积），深度可分离卷积，空洞卷积，以及可变形卷积。
卷积（Convolution）
普通卷积思想比较简单，就是用一个kernal在image上进行滑动，每滑动一次对应位置相乘再求和，得到特征图上的一个值。这种常规的卷积操作大家都很熟悉了，就是用来进行特征提取的一种常规手段。
转置卷积（Transposed Convolution）
转置卷积又称为反卷积（Deconvolution），不过个人认为转置卷积的叫法更加合理。它属于一种上采样的方法。与上池化等其他的上采样方法相比，转置卷积能学习到一组参数，更加灵活且适用。而这组参数的维度，等于普通卷积矩阵的转置，因此可以将小维度的特征图还原回原来较大的尺寸。关于转置矩阵的详细理解在我之前这篇文章中有详细介绍。
深度可分离卷积（Depthwise Separable Convolution）
深度可分离卷积包括两个卷积过程：深度卷积和逐点卷积。其目的是减少计算时的参数量和计算量。深度卷积（Depthwise Convolution）要求输入和输出的通道数一致，一个卷积核只负责一个通道的卷积运算。通过深度卷积，只是独立的在每个通道上进行卷积运算，并没有结合不同通道同一像素点的特征信息，因此需要逐点卷积（Pointwise Convolution），逐点卷积的卷积核宽高都是1，通道数与上一层通道数一致。通过逐点卷积，有多少个卷积核，最终的feature map的通道数就与他相等。这种卷积与常规卷积相比，大大较少了参数量和计算量，在MobileNet这种移动端网络中有着广泛的使用，参数量的计算具体可见深度可分离卷积
空洞卷积（Dilated Convolution）
空洞卷积虽然可以做上采样，但是其最重要的思想是增大感受野，因此在一些需要全局信息的问题方面，采用空洞卷积的效果是比较好的。看下面一张经典的图：
图（a）是经典卷积，也可以看作是3x3的1-dilated convolution；而图（b）属于3x3的2-dilated convolution，不同之处在于图（b）的卷积核相当于7x7的size，但是只有红色的点处有权值需要计算，其他的点都默认是0。因此在参数相同的情况下，图（b）的感受野从3
x3提升到了7x7。
可变形卷积（Deformable Convolution）
可变形卷积是在卷积的基础上，对每一个计算的位置增加一个学习到的offset向量，这样可以打破CNN固定的几何结构，使得感受野更大且更加灵活适用。其结构如下图所示：
如上图，在做deformable卷积之前，需要两个部分输入：一个是input feature map，另一部分就是预测的offset，这个offset对于feature上每个采样点添加一个二维的偏置offset，在加上这个偏置以后，新的位置会是一个小数，此时采用双线性插值对该点feature进行预测。更加详尽的描述可参见deformable convolution。