对卷积层dilation膨胀的作用的理解，caffe-ssd dilation Hole算法解析

先转一篇大佬的博客论文阅读笔记：图像分割方法deeplab以及Hole算法解析


下面是caffe-ssd的vgg16输出后的变化，减少了一个pooling，stride=1，然后下一层采用了 dilation方法，作用按上面博客说是

既想利用已经训练好的模型进行fine-tuning，又想改变网络结构得到更加dense的score map.

即想让输出的feature map更加的稠密，于是用了hole算法,



下面一个图能说明作用



上图的颜色其实有问题，应该这么看，图a的输出0123对于图b输出的0246，然后再下一层(c)采用hole算法,c的第三个输出来自0,2,4这对应a中输出的123，所以c层有a的下一层的所有内容，同时又增加到7个输出(相比与原始a的下一层的2个输出)，所以输出变得dense了

layer {
name: "pool5"   //和vgg16的差别，修改了输出
type: "Pooling"
bottom: "conv5_3"
top: "pool5"
pooling_param {    //注意这个pooling层，步长为1，pad为1那么pool层保持原fmap不变，所以300*300的图像到这里是19*19（300/16）
pool: MAX
kernel_size: 3
stride: 1
pad: 1
}
}
layer {
name: "fc6"   //全连接层
type: "Convolution"
bottom: "pool5"
top: "fc6"
param {
lr_mult: 1.0
decay_mult: 1.0
}
param {
lr_mult: 2.0
decay_mult: 0.0
}
convolution_param {
num_output: 1024
pad: 6
kernel_size: 3   //6×（3-1）+1=13，所以pad=6
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
value: 0.0
}
dilation: 6   //膨胀系数 http://blog.csdn.net/jiongnima/article/details/69487519 这篇博客讲的很清楚，理解为放大，没有的地方变成0
}
}