في الآونة الأخيرة، أظهرت الشبكات العصبية التلافيفية العميقة جدًا (CNNs) أداءً متميزًا في التعرف على الكائنات، كما أصبحت الخيار الأول لمشاكل التصنيف الكثيف مثل التجزئة الدلالية. ومع ذلك، فإن العمليات المتكررة للتخفيض التدريجي مثل التجميع (Pooling) أو التمرير المتباطئ لل.Convolution في الشبكات العميقة تؤدي إلى انخفاض كبير في دقة الصورة الأصلية. هنا، نقدم شبكة RefineNet، وهي شبكة تحسين متعددة المسارات عامة، تُستغل فيها بشكل صريح جميع المعلومات المتاحة خلال عملية التخفيض التدريجي، مما يمكّن من إجراء تنبؤات بحلقة عالية باستخدام اتصالات تلافيفية طويلة المدى. وبهذا الشكل، يمكن تحسين الطبقات الأعمق التي تمثل السمات الدلالية العليا مباشرةً باستخدام ميزات دقيقة من التلافيف المبكرة. كما تعتمد المكونات الفردية لشبكة RefineNet على اتصالات تلافيفية تتبع فلسفة التماثل (Identity Mapping)، ما يسمح بتدريب فعّال على نحو مباشر من البداية إلى النهاية. علاوةً على ذلك، نقدّم تقنية "التجميع التلافيفي المتسلسل"، التي تُمكّن من التقاط سياق خلفية غني بطريقة فعّالة. وقد أجرينا تجارب شاملة وحققنا نتائج جديدة في مستوى الحد الأقصى من الأداء على سبعة مجموعات بيانات عامة. وبشكل خاص، توصلنا إلى نتيجة تُعرف بـ "معدل التقاطع على الوحدة" (Intersection-over-Union) البالغة 83.4 على مجموعة بيانات PASCAL VOC 2012 الصعبة، وهي أفضل نتيجة مُبلغ عنها حتى تاريخه.