1、Dilated convolution介绍
DilatedDilated convolution：空洞卷积或者扩张卷积（同 Atrous convolutionconvolution）
Dialted convolution最先在使用图像分割领域，图像输入到CNN中提取特征（如FCN），FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测（upsampling一般采用deconv反卷积操作，deconv可参见知乎答案如何理解深度学习中的deconvolution networks？）总结来说：包括pooling操作增加感受野和Upsampling扩大至原图尺寸。但是此过程中会由于Pooling操作产生信息的损失，不利于分割或者目标检测。Dilated convolution就是为了在不是用pooling操作损失信息也能增加感受野。
Dilated 示意图如下：
概念介绍：空洞卷积的rate，代表传统卷积核的相邻之间插入rate-1个空洞数。当rate=1时，相当于传统的卷积核。
从两个角度考虑空洞卷积：
（1）从kernel（卷积核）角度：相当于在标准概念的kernel（卷积核）中，相邻点之间添加rate-1个0，然后使用扩张后的kernel（卷积核）与原图进行卷积。如下图rate=2，相当于标准的3*3卷积核变为5*5卷积核，每一行中间添加2-1个0
（2）从原图角度：使用标准概念的kernel（卷积核）在原图中每隔rate-1进行像素点卷积采样。如下图rate=2，在原图中每隔rate-1进行卷积。
F*F的Feature map经过kernel size(k),padding(p), stride(s), rate(r) Dilated convolution卷积输出的大小:
使用标准卷积的计算为：
使用Dilated卷积的计算公式为：
例子：7*7的feature map，kernel size = 3, padding = 0,stride = 1,rate =2
标准卷积后大小F为(7-3+0)/1+1 = 5，Dilated卷积后大小F为[7-(3+2*1)+0]/1+1=3
2、Dilated convolution在Pytorch实现
在Pytorch中可以在torch.nn.Conv2D(,,,,,,,dilated=rate)实现。
上述例子使用Pytorch实现过程如下：
Reference：
知乎：如何理解空洞卷积（dilated convolution）？
https://blog.csdn.net/silence2015/article/details/79748729
