近期 AI 的进展正在导致传统诊断方法的衰退，而实现端到端的诊断即将快速到来。超声图像分割是诊断过程中的重要一步，准确且稳健的分割模型加快了该过程，减轻了超声医生的负担。与以前的研究不同，我们考虑了超声图像的两个固有特征：（1）不同的器官和组织在空间尺寸上有所变化，（2）人体内部的解剖结构形成了相对恒定的空间关系。基于这两个想法，我们提出了一种新的图像分割模型，结合了 Feature Pyramid Network (FPN) 和 Spatial Recurrent Neural Network (SRNN)。我们讨论了为什么使用 FPN 来提取不同尺度的解剖结构，以及如何实现 SRNN 来提取腹部超声图像中的空间上下文特征。

Aug, 2023

通过提出的 Spatial-Temporal Progressive Fusion Network（STPFNet）在超声视频乳腺病变分割问题中取得了比现有最先进方法更好的病变检测性能。

Mar, 2024

深度金字塔 + 是一个网络架构，通过引入金字塔视图融合（PVF）和可变形金字塔感受野（DPR）两个重要模块，有效解决了医学图像和手术视频分割中的多种挑战，如异质性类别、可变形形状和透明特征等，通过实验证明了其在各种挑战下的优越表现。

Dec, 2023

提出了一种基于频域卷积和双边谱感知的特征金字塔网络的遥感目标检测方法，实验结果表明该方法在小目标检测方面表现突出。

Sep, 2022

提出了一种基于完全卷积神经网络的自动多类土地分割方法，该网络具有良好的准确性和中等的内存使用率，可用于解决城市规划、环境工程或自然景观监测等问题。

Jun, 2018

本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 DyFPN 可以以更少的计算量获得相似的高性能。

Dec, 2020

提出了一种轻量级特征金字塔编码网络（FPENet）来在语义分割任务中平衡精度和速度。通过深度扩张卷积对多尺度上下文特征进行特征金字塔编码块的编码，在解码器中引入了互相嵌入上采样模块以高效聚合高级语义特征和低级空间细节。在 Cityscapes 和 CamVid 基准数据集上，该网络具有更少的参数和更高的推理速度，并实现了 68.0％的平均 IoU 和 102 FPS 的速度。

Sep, 2019

本文提出了一种特征对齐模块和特征选择模块，用于上下文对齐上采样的高级特征，以及强调富有空间细节的低级特征，并将这两个模块集成在一个自上而下的金字塔结构中，形成了一种名为特征对齐金字塔网络（FaPN）的方法，该方法在四个密集预测任务和四个数据集上表现出比 Faster / Mask R-CNN 配对的 FPN 改进了 1.2-2.6 个 AP /mIoU 点，特别地，在 Mask-Former 中融合后，FaPN 在 ADE20K 上实现了 56.7％的 mIoU，代码可从此 URL 获得

Aug, 2021

通过提出一种新的联合上采样模块 JPU，替代传统的扩张卷积，从而减少计算和存储空间的使用，同时提高语义分割模型的性能。实验证明，该方法在 Pascal Context 数据集和 ADE20K 数据集上达到了最先进的性能，并且更快。

Mar, 2019

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