对于语义分割任务，深度神经网络通常使用空间金字塔池化模块或编码器-解码器结构。前者通过以多种速率和多种有效视野的滤波器或池化操作来探测传入特征以编码多尺度上下文信息，而后者则通过逐渐恢复空间信息来捕捉更加清晰的物体边界。在本文中，我们提出了将两种方法的优点结合起来的方法。具体而言，我们的提出的模型DeepLabv3+扩展了DeepLabv3，通过添加一个简单而有效的解码器模块来特别改善物体边界的分

最近，人们对基于深度学习的语义分割产生了越来越大的兴趣。UNet是具有编码器-解码器结构的深度学习网络之一，被广泛用于医学图像分割。结合多尺度特征是准确分割的重要因素之一。UNet++是通过设计一个具有嵌套和密集跳过连接的架构，作为一个改进的Unet而开发的。然而，它并没有从全尺度中发掘足够的信息，仍有很大的改进空间。在本文中，我们提出了一个新颖的UNet 3+，它利用了全尺度跳过连接和深度监督的