本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

Jun, 2018

本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。

Jul, 2016

本文提出了一种多尺度深度神经网络结构，利用多个部分标注的数据集进行多器官图像分割的训练，采用金字塔输入和特征分析结合的方法解决了来自不同尺度的特征融合所带来的语义鸿沟问题，并引入深度监督机制和自适应加权层，通过实现了 Pyramid Input Pyramid Output Feature Abstraction Network (PIPO-FAN)，在四个公开数据集上达到了非常好的效果。

Jan, 2020

该研究提出了一种基于多尺度特征金字塔网络和双重注意机制的 MRI 图像分割方法，通过使用扩张卷积和多尺度特征金字塔网络在编码中避免了语义差距问题，并设计双重注意机制来维护 U-Net 的空间信息和降低不对齐问题。在亚腹部 MRI 图像数据集上的实验表明，该方法比其他方法表现更好。

May, 2023

该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

Dec, 2016

使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

本文提出了一种自适应分割大小不同的病变的低分辨率医学图像的比例感知超分辨率网络，该网络包含双分支进行病变掩模超分辨率和病变图像超分辨率，同时引入了比例感知扩张卷积块来自适应调整卷积核的感受野以根据损伤的大小进行分割。在多个具有挑战性的病变分割数据集上，我们提出的网络相比其他最先进的方法实现了持续的改进。

May, 2023

本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

Nov, 2017

本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像：脑膜瘤、胶质瘤和垂体瘤，并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中，我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。

Feb, 2024

本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

Aug, 2021