提出了一种基于全连接跳跃连接网络（FSCN）和自适应连接模块（ACM）的单目深度估计任务的深度学习模型，通过连接深度编码器与解码器的不同分辨率特征，利用深度编码器中浅层特征图的信息进行更准确的深度估计，并在 KITTI 数据集和 NYU Depth V2 数据集上实现了最优结果。

Aug, 2022

通过分析 U-net 架构的神经网络，发现其网络层对于领域转移非常敏感，特别是在浅层网络中。在移除最上层的跳跃连接之后，性能得到了显著提升，不仅对于领域转移具有积极的影响，对于领域内测试数据也有 10％至 13％的性能提升。

Feb, 2024

深度学习在计算机视觉中取得了显著进展，尤其在图像分类、目标检测和语义分割方面。跳跃连接在深度神经网络架构中起到了重要作用，通过残差学习在训练阶段实现更容易的优化，并在测试阶段提高了准确性。本综述对深度神经网络中跳跃连接的发展进行了全面总结和展望，概述了跳跃连接的简要历史和残差学习在深度神经网络中的发展情况。总结了跳跃连接在训练和测试阶段的有效性，并讨论了在残差学习中使用跳跃连接的未来方向。最后，总结了利用跳跃连接的计算机视觉领域中的重要论文、源代码、模型和数据集，包括图像分类、目标检测、语义分割和图像重建。希望这篇综述能够激发社区中的同行研究人员在各种形式和任务中进一步发展跳跃连接和深度神经网络中的残差学习理论。项目页面可在此 https URL 找到。

May, 2024

通过在 U-Net 结构中加入融合模块以减小编解码器之间的语义差距，我们提出了一种名为 FusionU-Net 的新型分割网络，经过在多个病理图像数据集上的广泛实验评估，证明了 FusionU-Net 相较于其他竞争方法具有更好的性能，我们认为我们的融合模块比现有网络的设计更加有效，且可以轻松嵌入其他网络以进一步提高模型性能。

Oct, 2023

本文提出了可学习的马尔科夫链理论来解释残差神经网络中跳跃连接的行为，并通过引入罚式连接来使模型更加高效。实验结果表明，该方法在多模式翻译和图像识别任务中有着优异的表现。

Sep, 2022

本文通过可视化优化地形图，比较了三个基于 FCN 的模型在多个数据集上的性能，并探索了 FCN 中跳过层连接与模型广义能力之间的关系，以及不同批量大小下的损失表面与模型广义能力的关系。

Jan, 2019

本文介绍了一种松散稠密连接策略和采用 m 向树结构的可感受野链路网络 (RFC-Net)，用于学习高分辨率全局特征。实验证明 RFC-Net 在 Kvasir 和 CVC-ClinicDB 基准测试中对息肉分割取得了最先进的性能。

Feb, 2023

研究探讨了 skip connection 对深层网络训练中的奇异点造成的影响，证明了 skip connection 可以消除这些奇异点，并在实验中得到了验证。

Jan, 2017

提出了一种名为 UNet ++ 的新神经结构，通过解决 U-Net 和全卷积网络（FCN）的两个限制（未知最佳深度和过于严格的融合方案），实现了医学图像分割的语义和实例分割，从而提高了对象大小的分割质量，并加速了 UNet ++ 的推理速度。

Dec, 2019

本文研究深度卷积神经网络的内部跳跃连接如何进行输出的聚合，提出了在特定深度只聚合少量先前输出的连接结构，并证明这种连接结构比现有的聚合方式在性能优化上更加有效。

Jan, 2018