SSD 里的 atrous

SSD 论文里提到
Similar to DeepLab-LargeFOV , we convert fc6 and fc7 to convolutional layers, subsample parameters from fc6 and fc7, change pool5 from 2x2-s2 to 3x3-s1, and use the `a trous algorithm to fill the “holes”.
这样做之后可以让pool5的feature maps 保持较大的尺寸，这篇ECCV16论文也采用了同样的策略使得feature maps 分辨率比传统的更高，有利于小物体的检测。
pool5这样改变这之后，后面层的感受野将改变，因此也不能用原来网络的参数进行finetune，为了解决这样的矛盾，atrous算法提出。

图(a)展示是传统的过程，经过3x3-s2的pooling后，接一个3x3的conv，那么卷积层的一个神经元感受野是7
图(b)是atrous过程，现在Pooling层是3x3-s1，后面的卷积层为了能够使用原来的参数初始化必须使用带孔的卷积，这里卷积层的一个神经元的感受野也是7。