深入浅出理解Dilated Convolution(空洞卷积，膨胀卷积)

温故而知新，可以为师矣！

一、参考资料

github仓库：Multi-Scale Context Aggregation by Dilated Convolutions
图片素材来源：Convolution arithmetic
理解Dilation convolution
Dilated Convolution —— 空洞卷积（膨胀卷积）
膨胀卷积学习笔记

二、空洞卷积(`Dilated Convolution`)相关介绍

1. 引言

1.1 增大感受野

用CNN进行图像处理时，通常需要经过多次卷积和pooling操作，pooling操作可以减少图像的尺寸，再使用卷积核可以增大感受野；多个卷积核堆叠也可以增大感受野。但是，在图像分割任务中，例如FCN[3]，由于图像分割预测是 pixel-wise 的输出，所以要将pooling操作后较小尺寸的 feature map 通过 upsampling 的方法（如Conv2DTranspose转置卷积）恢复到原始图像尺寸，再进行预测。如下图所示：
在这里插入图片描述

因此，图像分割FCN中有两个关键，一个是pooling操作减小图像尺寸增大感受野，另一个是 upsampling 扩大图像尺寸。在先减小再增大尺寸的过程中，导致一些细节信息的损失。那么能不能设计一种新的操作，不通过pooling操作也能有较大的感受野看到更多的信息呢？答案就是Dilated Convolution。

1.2 `up-sampling` 和 `pooling layer` 存在的问题

图像分割任务中，较为著名的是 up-sampling 和 pooling layer 的设计，但这些设计存在一些致命性的缺陷，主要问题有：

参数不可学习：Up-sampling / pooling layer (e.g. bilinear interpolation) is deterministic。
内部数据结构丢失；空间层级化信息丢失。
小物体信息无法重建：如果一个物体占4x4的像素，则经过4次pooling操作之后，物体的信息就无法重构了。换句话说，假设有4个pooling layer，则任何小于 $2^4=16 pixel$ 的物体信息将理论上无法重建。
pooling操作是不可逆转的，通过对 feature map 进行 upsampling 还原图像尺寸时丢失信息。

在这样问题的存在下，图像分割问题一直处在瓶颈期无法再明显提高精度，而 Dilated Convolution 的设计很好的避免了这些问题。

2. `Dilated Convolution`的概念

Dilated Convolution，中文叫做空洞卷积或者膨胀卷积，在卷积的过程中增加一些空洞。如下图所示，三个卷积核尺寸都是3x3。
在这里插入图片描述

（a）图中的卷积为标准卷积，即 dilation rate=1，此时这个卷积核的感受野大小为3x3。
（b）图中采用 Dilated Convolution，dilation rate=2，即卷积的空洞为1。此时每个卷积操作的点的感受野为3x3，整个卷积核的感受野为7x7。
（c）图中采用Dilated Convolution，dilation rate=4，即卷积的空洞为3。此时每个卷积操作的点的感受野为7x7，整个卷积核的感受野为15x15。

3. `dilation rate`

Dilated Convolution是在标准卷积Convolution map的基础上注入空洞，以此来增加感受野(reception field)。因此，Dilated Convolution在标准卷积的基础上多了一个超参数（hyper-parameter）称之为膨胀率(dilation rate)，表示卷积核的间隔。

如下图所示，Dilated Convolution与标准卷积采用的都是3x3卷积核，标准卷积的 dilation rate 为1，Dilated Convolution 的 dilation rate 为2。
在这里插入图片描述

标准卷积的 dilation rate=1，如下图所示：
在这里插入图片描述

扫描二维码关注公众号，回复： 17340465 查看本文章

Dilated Convolution 的 dilation rate=2，如下图所示：
在这里插入图片描述

4. `Dilated Convolution` 的作用

Dilated Convolution 代替了传统的 max-pooling 和 strided convolution，能够增大感受野，并保持 feature map 的尺寸和原始图片大小。

Dilated Convolution 的好处是不做pooling损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。在图像需要全局信息或者语音文本需要较长的sequence信息依赖的问题中，都能很好的应用 Dilated Convolution，比如图像分割[3]、语音合成WaveNet[2]、机器翻译ByteNet[1]中。

5. `Conv2DTranspose`与`Dilated Convolution`的区别

Conv2DTranspose 其中的一个用途是做upsampling，即增大图像尺寸。而 Dilated Convolution 并不是做upsampling，而是增大感受野。

Dilated Convolution 不是在像素之间padding空白的像素，而是在已有的像素上，skip掉一些像素，或者输入不变，对conv的kernel参数中插一些0的weight，达到一次卷积看到的空间范围变大的目的。

当然将标准卷积的 stride 步长设为大于1，也会达到增大感受野的效果，但是 stride 大于1就会导致 downsampling，图像尺寸变小。

6. `Dilated Convolution`存在的问题

栅格效应(The Gridding Effect)

如果我们叠加多个相同的Dilated Convolution，会发现感受野中有很多像素没有利用上，出现大量空洞。此时，会丢失数据之间的连续性和完整性，不利于学习。如下图所示，展示了连续进行3次相同Dilated Convolution的效果（卷积核大小为3x3，dilation rate=2）。
Long-ranged information might be not relevant

Dilated Convolution 的设计是为了获取 long-range-information，有些长距离信息和当前点是完全不相关的，会影响数据的一致性。并且，仅采用大的 dilation rate 的信息，可能对大物体有较好的分割效果，而对小物体可能有弊无利。如何同时处理好大物体和小物体的关系，则是设计好Dilated Convolution网络的关键。

7. 混合膨胀卷积 (HDC)

混合膨胀卷积 (Hybrid Dilated Convolution，HDC)。

不同的卷积层使用不同的 dilation rate。对于一组Dilated Convolution，设置不同的 dilation rate，且dilation rate逐渐增大。例如，3个卷积核可以分别设置 dilation rate 为 [1, 2, 4]。这样最后一层有比较大的感受野，同时不会丢失大量的局部信息。如下图所示：
使多个Dilated Convolution后的感受野内不存在空洞。假设有n个膨胀卷积核，dilation rate 分别是 [r1, r2,…, rn]。如果 [r1, r2,…, rn] 能使下式成立，则说明感受野不会存在空洞。

上式中的 $M_i$ 指的是第 i 层可以使用的最大的 dilation rate，K是卷积核尺寸。

三、相关经验

1. GrabAR

GrabAR: Occlusion-aware Grabbing Virtual Objects in AR
附件：Supplementary material， A. GrabAR-Net architecture details

四、参考文献

[1] Kalchbrenner N, Espeholt L, Simonyan K, et al. Neural machine translation in linear time[J]. arxiv preprint arxiv:1610.10099, 2016.
[2] Oord A, Dieleman S, Zen H, et al. Wavenet: A generative model for raw audio[J]. arxiv preprint arxiv:1609.03499, 2016.
[3] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.
[4] Yu F, Koltun V. Multi-scale context aggregation by dilated convolutions[J]. arXiv preprint arXiv:1511.07122, 2015.