Neuere Fortschritte im Bereich der semantischen Segmentierung wurden durch die Verbesserung der räumlichen Auflösung unter Verwendung von Fully Convolutional Networks (FCNs) getrieben. Um dieses Problem anzugehen, schlagen wir ein Stacked Deconvolutional Network (SDN) für die semantische Segmentierung vor. In SDN werden mehrere flache Deconvolutional Networks, als SDN-Einheiten bezeichnet, nacheinander gestapelt, um kontextuelle Informationen zu integrieren und eine genaue Wiederherstellung der Lokalisierungsinformationen sicherzustellen. Gleichzeitig sind interne und interne Verbindungen zwischen den Einheiten so konzipiert, dass sie das Netzwerktraining unterstützen und die Merkmalsfusion verbessern, da diese Verbindungen den Informations- und Gradientenfluss durch das gesamte Netzwerk erhöhen. Darüber hinaus wird hierarchische Überwachung während des Upsampling-Prozesses jeder SDN-Einheit angewendet, was die Diskriminierbarkeit der Merkmalsrepräsentationen gewährleistet und die Netzwerkoptimierung fördert. Wir führen umfassende Experimente durch und erzielen neue Standesbestimmungen auf drei Datensätzen, darunter PASCAL VOC 2012, CamVid und GATECH. Insbesondere erreicht unser bestes Modell ohne CRF-Nachbearbeitung einen Intersection-over-Union-Wert von 86,6 % im Testdatensatz.请注意，"inter-unit and intra-unit connections" 翻译为 "interne und interne Verbindungen zwischen den Einheiten" 可能会有些混淆，但在这里我将其解释为“单元间和单元内的连接”，以避免歧义。正确的翻译应该是 "Verbindungen zwischen den Einheiten und innerhalb der Einheiten". 以下是修正后的版本：Neuere Fortschritte im Bereich der semantischen Segmentierung wurden durch die Verbesserung der räumlichen Auflösung unter Verwendung von Fully Convolutional Networks (FCNs) getrieben. Um dieses Problem anzugehen, schlagen wir ein Stacked Deconvolutional Network (SDN) für die semantische Segmentierung vor. In SDN werden mehrere flache Deconvolutional Networks, als SDN-Einheiten bezeichnet, nacheinander gestapelt, um kontextuelle Informationen zu integrieren und eine genaue Wiederherstellung der Lokalisierungsinformationen sicherzustellen. Gleichzeitig sind Verbindungen zwischen den Einheiten und innerhalb der Einheiten so konzipiert, dass sie das Netzwerktraining unterstützen und die Merkmalsfusion verbessern, da diese Verbindungen den Informations- und Gradientenfluss durch das gesamte Netzwerk erhöhen. Darüber hinaus wird hierarchische Überwachung während des Upsampling-Prozesses jeder SDN-Einheit angewendet, was die Diskriminierbarkeit der Merkmalsrepräsentationen gewährleistet und die Netzwerkoptimierung fördert. Wir führen umfassende Experimente durch und erzielen neue Standesbestimmungen auf drei Datensätzen: PASCAL VOC 2012, CamVid und GATECH. Insbesondere erreicht unser bestes Modell ohne CRF-Nachbearbeitung einen Intersection-over-Union-Wert von 86,6 % im Testdatensatz.