一、空洞卷积的基础原理
空洞卷积（Dilated Convolution） 是一种改进的卷积操作，通过在卷积核中引入'空洞'来扩大感受野。想象你通过一个 3x3 的窗口看图片，空洞卷积允许窗口跳过某些像素，比如跳过 1 个像素，实际覆盖 5x5 的区域，但参数量不变。
1. 传统卷积的短板
在聊空洞卷积之前，我们先看看传统卷积神经网络（CNN）是怎么工作的，以及它在某些场景下有哪些不足。传统卷积的做法是用一个固定大小的卷积核在输入图像上滑动，逐个区域地提取特征。例如，一个 3x3 的卷积核在图像上滑动，每次生成一个新的特征值，形成特征图。
这种方法在很多视觉任务里效果很好，但也有些让人头疼的地方。
- 感受野有限：传统卷积能看到的区域（也就是感受野）取决于卷积核的大小和网络的层数。想看到更大的范围，要么堆更多层，要么用更大的卷积核。感受野是卷积核能看到的输入区域大小。对于 3x3 的核，覆盖范围小；要看更大的区域，要么用更大核，要么加深网络层数，但这都会显著增加计算量和参数量，模型变得臃肿。
