最早出現在DeeplLab系列中，作用：可以在不改變特征圖尺寸的同時增大感受野，擯棄了pool的做法（丟失信息）；
我們設: kernel size = k, dilation rate = d, input size = W1, output size = W2, stride=s, padding=p;
Dilation convolution(擴張卷積)的原理其實也比較簡單，就是在kernel各個像素點之間加入0值像素點，變向的增大核的尺寸從而增大感受野。
結構如下：
如上圖所示，(a)是我們常見的卷積核，可以看成d=1的擴張卷積，核的尺寸為3，感受野為3；(b)是d=2的擴張卷積，核的尺寸上升為5=2*(3-1)+1，如果與（a）疊加使用的話感受野則為7；（c）是d=4的擴張卷積，核的尺寸上升為9=4*(k-1)+1，若與（a）(b)疊加則感受野區域為15；
（1）經過dilation rate放大后，fliter大小上升為：d*(k-1)+1；
（2）擴張卷積的輸入和輸出特征圖的尺寸關系如下：
ps：在s=1,k=3時，令d = p，則輸出特征圖尺寸不變；
擴張卷積可用於圖像分割、文本分析、語音識別等領域；
存在的問題：棋盤效應（特征圖不是處處可導！）
解決方法：使用鋸齒狀的卷積核
