我们提出了一种最小路径方法，用于同时计算具有线拓扑的管状结构的分割掩模并提取中心线。该方法通过引入一种新颖的迭代训练方案，使得能够生成更好的针对最小路径方法的训练样本，而不需改变现有的标注，从而解决了由于使用 CNN 的方法所生成的训练样本与推理时遇到的样本之间可能存在的差异。我们的方法在分割掩模和中心线方面取得了最先进的结果，并且仅需要非常少量的标注训练图像。

Sep, 2023

本研究提出一种弱监督细胞跟踪方法，该方法使用 “细胞检测” 注释（即细胞位置坐标）而不使用关联信息来训练卷积神经网络。该方法通过前向和后向传播分析了卷积神经网络检测图中细胞位置的对应关系，成功匹配了不同帧中的细胞位置，且性能接近于最新的监督方法。

Jul, 2020

本文研究了识别图像中曲线结构的问题，提出了一种基于深度网络的方法，同时执行分割和路径分类这两个任务，以实现整个处理流程的连贯性，并在道路和神经元数据集上应用该方法。

May, 2019

本研究使用卷积神经网络来对文化遗产上雕刻或刻画成非常模糊的曲线结构进行自动分割，并通过实验证明了该算法在区分混杂曲线时的表现更为优秀。

Nov, 2017

本研究基于 COCO object detection dataset，对目标检测中因包含大规模物体、非典型图像和需要更精确定位而带来的挑战进行了研究和探究，提出了三个标准 Fast R-CNN 对象探测器的改进，包括 Skip Connection、Foveal Structure 和 Integral loss function 等，最终的改进被称为 MultiPath network，并与 DeepMask object proposals 组合使用，综合测试结果表明，在小物体方面我们的改进收到了 4 倍的提升，在 COCO 2015 检测和分割挑战中也取得了较好的成绩。

Apr, 2016

提出了一种基于深度学习的自动血管提取方法，旨在解决 3D 卷积神经网络在处理 3D 医学图像时 “断排” 问题，该方法采用局部外观的卷积神经网络和全局几何的点云网络相结合，通过最短路径算法将提取的局部部分相连，实现了从 3D 医学图像中高效、自动地提取血管轮廓线的效果。

Dec, 2020

该论文引入了一种新的路径来缓解卷积神经网络中滤波器和图像类之间的纠缠，通过将 CNN 的滤波器分组到类别特定的簇中，实现了更好的可解释性和较高的区分能力。

Dec, 2023

本文介绍了一种基于 Path-Restore 的多路径卷积神经网络，使用强化学习和难度调节奖励方法进行训练，通过动态选择适当的路径，结合多个图像区域进行图像去噪和混合修复任务，在保证可比较或更好的效果的同时降低了计算成本。

Apr, 2019

通过分析经过训练的卷积神经网络（CNN），我们提出了一种算法来提取各个像素的扩散路径，以确定与目标类别相关联的输入图像中像素的位置，并且这种基于路径的表示在不同类别之间具有明显的区别。

Feb, 2024

本文提出 Path Aggregation Network（PANet）来提高神经网络中信息传递的效率，主要集中于基于提案的实例分割框架。具体来说，通过底层路径增强和自适应特征池化等方法来提高信息的传递效率，并建立了一个补充分支，以有效提高 Mask 预测的准确性。我们的方法在多个数据集上达到了最佳表现，具有简单易实现以及较小的计算复杂度。

Mar, 2018