现代语义分割方法通常会在主干中部署空洞卷积来提取高分辨率特征图，这带来了极大的计算复杂度和内存占用。为了取代耗时又耗内存的空洞卷积，在论文《FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation》中，研究者提出了新的联合上采样模块Joint Pyramid Upsampling (JPU)。JPU将提取高分辨率特征图的任务化为了联合上采样问题。它在不影响性能的情况下，将计算复杂度降低了三倍多。实验表明，JPU优于其它上采样模块，它可以插入很多现有方法来降低计算复杂度和提高性能。JPU模块方法在Pascal Context数据集（53.13%的mIoU）和 ADE20K数据集（最终分数0.5584）上都达到了当前最佳水平，同时运行速度快了三倍。