下面是caffe-ssd的vgg16輸出後的變化，減少了一個pooling，stride=1，然後下一層採用了 dilation方法，作用按上面部落格說是

既想利用已經訓練好的模型進行fine-tuning，又想改變網路結構得到更加dense的score map.

即想讓輸出的feature map更加的稠密，於是用了hole演算法,

下面一個圖能說明作用

上圖的顏色其實有問題，應該這麼看，圖a的輸出0123對於圖b輸出的0246，然後再下一層(c)採用hole演算法,c的第三個輸出來自0,2,4這對應a中輸出的123，所以c層有a的下一層的所有內容，同時又增加到7個輸出(相比與原始a的下一層的2個輸出)，所以輸出變得dense了

1. layer {  
2.   name: "pool5"   //和vgg16的差別，修改了輸出  
3.   type: "Pooling"
4.   bottom: "conv5_3"
5.   top: "pool5"
6.   pooling_param {    //注意這個pooling層，步長為1，pad為1那麼pool層保持原fmap不變，所以300*300的影象到這裡是19*19（300/16）  
7.     pool: MAX  
8.     kernel_size: 3
9.     stride: 1
10.     pad: 1
11.   }  
12. }  
13. layer {  
14.   name: "fc6"   //全連線層  
15.   type: "Convolution"
16.   bottom: "pool5"
17.   top: "fc6"
18.   param {  
19.     lr_mult: 1.0
20.     decay_mult: 1.0
21.   }  
22.   param {  
23.     lr_mult: 2.0
24.     decay_mult: 0.0
25.   }  
26.   convolution_param {  
27.     num_output: 1024
28.     pad: 6
29.     kernel_size: 3   //6×（3-1）+1=13，所以pad=6
30.     weight_filler {  
31.       type: "xavier"
32.     }  
33.     bias_filler {  
34.       type: "constant"
35.       value: 0.0
36.     }  
37.     dilation: 6   //膨脹係數 http://blog.csdn.net/jiongnima/article/details/69487519 這篇部落格講的很清楚，理解為放大，沒有的地方變成0
38.   }  
39. }