Dilate convolution（空洞卷积）
个人理解：腔去卷积设计的初衷是解决去卷积操作后信息丢失，感觉野减少。 图像的语义分割常用于卷积经过轮询操作后，通过deconv对其上采样来扩大图像大小，在轮询操作中仍然存在信息丢失。 腔解卷积操作的填充过程与填充Padding 0的过程相似，均为0填充操作。
空洞卷积：
感受野(RF )计算：初始感受野通常为1
1、重要参数：速率
Raterate=1，在不丢失任何信息的情况下对原图进行采样。 此时卷积是标准卷积操作
Raterate1，原图相当于每隔raterate-1像素进行采样，将采样后的图像与kernel卷积，从而扩大感觉范围。
2、空洞操作是在相邻点之间插入raterate-1个0，将扩大后的图进行卷积，这也相当于扩大感觉区。
去卷积(deconv )。
卷积是upsampling之一，主要是为了扩大图像尺寸。
stride1、卷积同时伴随downsampling操作，卷积后图像变小； stride=1，padding=stride，卷积后的图像大小不变； Stride1相当于upsampling进行原图的放大，进而进行卷积操作的结果，feaure map的大小变大了。
卷积是在卷积核中插入空白数据，反卷积是在原图中插入空白数据。