空洞卷积（膨胀卷积/扩张卷积）本质理解
传统增大感受野的方法有两种：
1.增大卷积核 （如 5×5、7×7）→ 参数增多，计算量变大
2.卷积核大小不变，池化后再卷积 （如 max pooling，stride=2）→ 尺寸减小，导致空间信息丢失
于是出现了需求：
有没有一种方法，能够扩大感受野，又不缩小特征图的空间尺寸？
答案就是：空洞卷积（Atrous Convolution / Dilated Convolution）
膨胀卷积：1.增大感受野2.保持原图尺寸大小不变
一、空洞卷积的工作机制
空洞卷积的核心思想是：在卷积核元素之间插入空洞（即“空”的位置），跳着采样输入特征图，而不是连续采样。
- 原始卷积：一个 3×33\times33×3 卷积核是连续滑动采样
- 空洞卷积（r=2）：相邻的卷积核格点之间插入一个空格（跳一个像素）
空洞卷积=插空的卷积核（膨胀后的滤波器）
1.普通卷积（r=1）：
卷积核是连续的，像素点之间不跳过：
输入特征图（7x7）：o o o o o o oo o o o o o oo o o o o o oo o o o o o oo o o o o o oo o o o o o oo o o o o o o卷积核（3x3）扫过时，每次覆盖连续 3x3 的块：● ● ●● ● ●● ● ●2.空洞卷积（r=2）：
在卷积核每两个格子之间插入一个“空格”，也就是跳过输入特征图的像素进行采样：
空洞卷积核（3x3, dilation=2）：● ● ●↓ ● ● ● ← 相当于采样的是一个 5x5 区域中跳着的像素↓ ● ● ●→ 有效感受野 = (kernel_size - 1) * dilation + 1 = (3 - 1) * 2 + 1 = 5本质理解：
就像是你用筷子夹豆豆，普通卷积是“一粒一粒夹”，空洞卷积是“每隔一粒夹”
你手没变大（卷积核没变），但夹的范围（感受野）变大了！
二、空洞卷积的优点
| 特性 | 说明 |
| 感受野增大 | 不改变卷积核大小（参数量不变），却能覆盖更大区域 |
| 空间分辨率不变 | 不需要下采样，保留特征图的细节信息 |
| 适合语义分割 | 适用于像素级任务，尤其是 DeepLab 系列 |
三、空洞卷积与感受野关系（图解）
举例：连续 3 层空洞卷积，卷积核大小 3×33 \times 33×3，空洞率分别为 1、2、4
| 空洞率 r | 有效感受野 | 实际卷积核点分布 |
| 1（普通卷积） | 3×3 | 连续格点 |
| 2 | 5×5 | 每格中插1个空格 |
| 4 | 9×9 | 每格中插3个空格 |
你会发现：感受野变成了
(3−1)⋅r+1
四、Gridding Effect（网格效应）
“gridding effect” 是空洞卷积的一个副作用，原因是：
空洞率增大后，卷积核只在稀疏的像素上采样，像素之间没有重叠，导致输出图像出现栅格状（checkerboard-like）模式。
解决方案：
- 混合多个空洞率（如 ASPP 模块）
DeepLabv3 中引入了多尺度空洞卷积，让不同感受野的信息融合，缓解 gridding。 - 使用卷积核堆叠（多个不同 dilation rate 层）
- 适当插入普通卷积层 保证局部连续采样
| 方法 | 解释 |
| ASPP 模块（DeepLabv3） | 使用多种空洞率（r=1, 6, 12, 18）并行卷积 → 多尺度融合 |
| Dilated block 堆叠 | dilation=1,2,4 交替堆叠，避免单一间隔造成盲点 |
| 加普通卷积 | 中间插入 standard convolution 平衡信息 |
五、总结一句话：
空洞卷积=给卷积核“插空”，以扩大感受野但不增加计算和参数，在语义分割中大放异彩，但也容易引入栅格效应，需要多尺度融合等方式优化。