版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/wolf2345/article/details/88169343
Dilate convolution（空洞卷积）
个人理解：空洞卷积设计的初衷，是为了解决卷积Pooling 操作后，信息丢失，感受野减小。图像语义分割，常用的做法是卷积经过Pooling 操作后，采用deconv对其进行上采样以扩大图片尺寸，这样在Pooling操作过程中仍然会有信息损失。另外，空洞卷积操作的填充的过程与Padding 0填充过程类似，都是在0填充操作。
空洞卷积：
感受野(RF)计算：初始感受野一般设为1
1、关键参数：raterate
Raterate=1，原图不丢失任何信息进行采样，此时卷积是标准卷积操作
Raterate>1，原图每隔raterate-1个像素采样，然后将采样后的图像与kernel做卷积，这样做相当于扩大了感受野。
2、空洞操作，即是在相邻点之间插入raterate-1个0，然后将扩大后的图做卷积，这样也相当于扩大了感受野。
反卷积（deconv）
反卷积是upsampling中的一种，主要是为了扩大图像尺寸。
- stride>1，在卷积同时伴着downsampling操作，卷积后图像变小；
- stride=1，padding=stride，卷积后图像大小不变；
- Stride<1，相当于upsampling进行原图扩大，再进行卷积操作，结果导致feaure map大小变大。
空洞卷积是在卷积核插入空白数据，反卷积是在原图中插入空白数据。