1.为何要引入空洞卷积
1.1.Pool下采样的缺点
在分割网络中，一般先通过Conv和Pool进行操作，其中Conv提取特征信息（假设padding为same），Pool进行下采样。下采样的好处就是能够减少feature map的尺寸并且增大感受野，但是这又引起了另一个问题，那就是经过下采样后，一些细节的信息就丢失掉了。而在后续的上采样阶段，想要对这些丢失掉的信息进行恢复是不可能了（除非像U-Net那样将下采样阶段的feature map叠加到上采样的feature map上，这样能够补充丢失掉的信息）。而细节信息的丢失对于分割任务来说是挺严重的，因为分割任务是pixel-wise的dense prediction，分类任务则对细节信息不太注重。
1.2.空洞卷积的引入
既然在分割网络中，Pool下采样有损细节信息，那么有没有一种方法可以代替Pool下采样的功能（增大感受野），又不丢失细节信息呢？答案就是增大卷积核，但这又势必引起参数的增加，使得内存和计算量的增加。那么可以不增加卷积核的参数也能实现这一目的吗？能，空洞卷积。空洞卷积的参数个数依然是n*n已经固定的了，但是引入dilation factor，它表示卷积核中，相邻两个参数相隔的距离正常卷积的据集是1，如图(a)。假如使间隔变为2，那么就如下图(b)，其中空出来的部分用0来填补（注意外层也需要填补），图(c)为的间隔为3。
因此通过空洞卷积，可以在不改变feature map size、不增加卷积核参数的情况下，增大感受野。
2.具体介绍
论文中引入了一个context module，它用来聚集多尺度上下文信息以此来提升密集预测结构的性能。该模块的输入通道和输出通道相同，feature map size也通过padding使得其不变，故可以插入到现有的密集预测结构中。有两种，一种是Basic，里面的通道数恒为C；另一种是Large，里面的通道数先从C增加到32C，最后又降维C。
3.FRONT-END
待定……
