2016年11月20日 · Here, we present RefineNet, a generic multi-path refinement network that explicitly exploits all the information available along the down-sampling process to enable high-resolution prediction using long-range residual connections.

2023年8月2日 · RefineNet是一种多路径细化网络，用于解决深度CNN在语义分割中分辨率降低的问题。 通过长程残差连接和多分辨率融合，RefineNet能有效结合不同层次的特征，生成高分辨率的语义特征图。 在多个公共数据集上，RefineNet达到了最优性能，特别是在PASCALVOC2012上取得了83.4的IoU分数。 该方法强调了利用中间层特征的重要性，并提出链式残差池化来捕获背景上下文。 原文题目：《RefineNet: Multi-Path Refinement Networks for High-Resolution …

RefineNet总共包括三大模块：残差卷积模块（RCU，Residual Convolution Unit）、多分辨率融合模块（Multi-Resolution Fusion）和串联残差池化模块（Chained Residual Pooling）。

为此，Lin等人提出了RefineNet，一种多路径强化网络。 RefineNet的显式的利用了下采样过程的所有信息，使用远程 残差连接 来实现高分辨率的预测 。 此时，浅层的完善特征可以直接的用于强化高级的语义特征。

2019年1月5日 · RefineNet是利用ResNet作为基础网络，将ResNet的中间层按照分辨率分为四个blocks，每个block通过一个叫做RefineNet block的模块，然后逐个对其进行融合，最后得到一个refined feature map。

New models available: trained models using ResNet-152 for all 7 datasets. Apart from ResNet-101 based models, our ResNet-152 based models of all 7 datasets are now available for download. Updated trained model for VOC2012: this updated model is slightly better than the previous one. We previously uploaded a wrong model.

所以RefineNet就提出了一种针对高分辨率图像语义分割的多层次特征精细化网络：RefineNet。 该网络是基于ResNet结构和跳跃连接的，它使用多路径的精细化网络结构来获取最佳的分割结果，是高分辨率图像分割的经典网络。

RefineNet是一种通用的多径优化网络，它显式地利用下采样过程中的所有可用信息，利用长程残差连接实现高分辨率预测。 通过这种方式，捕获高级语义特征的深层可以使用来自浅层卷积的细粒度特征直接细化。

RefineNet is a generic multi-path refinement network for high-resolution semantic image segmentation and general dense prediction tasks on images. It achieves high-resolution prediction by explicitly exploiting all the information available along the down-sampling process and using long-range residual connections.

Here, we present RefineNet, a generic multi-path refinement network that explicitly exploits all the information available along the down-sampling process to enable high-resolution predic-tion using long-range residual connections.