先转一篇大佬的博客论文阅读笔记：图像分割方法deeplab以及Hole算法解析
下面是caffe-ssd的vgg16输出后的变化，减少了一个pooling，stride=1，然后下一层采用了 dilation方法，作用按上面博客说是
既想利用已经训练好的模型进行fine-tuning，又想改变网络结构得到更加dense的score map.
即想让输出的feature map更加的稠密，于是用了hole算法,
下面一个图能说明作用
上图的颜色其实有问题，应该这么看，图a的输出0123对于图b输出的0246，然后再下一层(c)采用hole算法,c的第三个输出来自0,2,4这对应a中输出的123，所以c层有a的下一层的所有内容，同时又增加到7个输出(相比与原始a的下一层的2个输出)，所以输出变得dense了
layer { name: "pool5" //和vgg16的差别，修改了输出 type: "Pooling" bottom: "conv5_3" top: "pool5" pooling_param { //注意这个pooling层，步长为1，pad为1那么pool层保持原fmap不变，所以300*300的图像到这里是19*19（300/16） pool: MAX kernel_size: 3 stride: 1 pad: 1 }}layer { name: "fc6" //全连接层 type: "Convolution" bottom: "pool5" top: "fc6" param { lr_mult: 1.0 decay_mult: 1.0 } param { lr_mult: 2.0 decay_mult: 0.0 } convolution_param { num_output: 1024 pad: 6 kernel_size: 3 //6×（3-1）+1=13，所以pad=6 weight_filler { type: "xavier" } bias_filler { type: "constant" value: 0.0 } dilation: 6 //膨胀系数 http://blog.csdn.net/jiongnima/article/details/69487519 这篇博客讲的很清楚，理解为放大，没有的地方变成0 }}