【学习心得】CANN训练营第三期，空洞卷积的认识与理解

空洞卷积广泛应用于语义分割与目标检测等任务中，通过保持特征图相对的空间位置，提高感受野照顾到分割任务的上下文信息，一定程度上提高了在分割场景中的效果，语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet也使用了空洞卷积。

但是空洞卷积也存在着一定的缺陷，一是产生网格效应，如下图：

我们发现感受野并不是连续的，也就是并不是所有的格子中的信息都用来计算了，因此这里存在会损失信息连续性的问题，这对于我们的任务显然是不利的。

二是可能存在信息不关联的问题，对于较大的物体或者目标，虽然可以提高感受野达到较好的分割效果，但是当对于较小的目标进行空洞卷积感受野中被选取的网格中的内容可能关联性很小，显然对于较小的目标来说，空洞卷积的效果可能会适得其反。