Moderne semantische Segmentierungsrahmenwerke kombinieren in der Regel niederstufige und hochstufige Merkmale aus vorab trainierten konvolutionellen Modellen, um die Leistung zu steigern. In dieser Arbeit weisen wir zunächst darauf hin, dass eine einfache Fusion von niederstufigen und hochstufigen Merkmalen aufgrund des Unterschieds in den semantischen Ebenen und der räumlichen Auflösung weniger effektiv sein könnte. Wir stellen fest, dass das Einbringen semantischer Informationen in die niederstufigen Merkmale und hochauflösender Details in die hochstufigen Merkmale für die spätere Fusion vorteilhaft ist. Auf Basis dieser Beobachtung schlagen wir einen neuen Rahmenwerk vor, den ExFuse, um die Lücke zwischen niederstufigen und hochstufigen Merkmalen zu überbrücken und damit insgesamt die Segmentierungsgüte um 4,0 % erheblich zu verbessern. Darüber hinaus bewerten wir unseren Ansatz anhand der anspruchsvollen PASCAL VOC 2012 Segmentierungsbenchmark und erreichen einen durchschnittlichen IoU von 87,9 %, was den bisherigen Stand der Technik übertreffen.请注意，这里有一些细节需要注意：- "ExFuse" 是一个专有名词，因此直接保留了英文原名。- "mean IoU" (平均交并比) 在德语中通常写作 "durchschnittlicher IoU"。- 百分比符号在德语中通常放在数字后面，中间有一个空格。希望这个翻译符合您的要求。如果您有任何进一步的问题或需要调整的地方，请随时告诉我。