本文综述深度监督分割方法，提出ADS UNet，通过增量训练和子模型加权组合提升分割性能，在三个组织切片数据集上超越Transformer模型，仅需37% GPU资源和34%训练时间。

本文综述动态神经网络研究，涵盖多种提升网络自适应性与效率的方法：提出使卷积层在动态环境中演化并融入现有DNN的新算法；利用自然梯度动态扩展网络宽度与深度，并提出自动收缩方法；DEN可动态决定网络容量、共享任务知识并防止语义漂移；ExpandNet通过过参数化训练紧凑网络；SiCNN以多列结构应对尺度变化；自适应分层网络随新数据增长；新方法可预测无效层并优化参数效率；低复杂度CNN模块提升性能；增量训练将网络分块逐步合并；低秩滤波器基加速卷积层。