本研究针对特征金字塔网络（FPN）在小物体检测中存在的不足，提出了一种新的高频与空间感知特征金字塔网络（HS-FPN）。论文创新性地设计了高频感知模块和空间依赖感知模块，以增强小物体的特征表现，实验结果表明，HS-FPN在AI-TOD数据集上对小物体检测具有显著的性能优势。

本文提出了一种可解释的机器学习框架，用于乳腺 X 线摄影，旨在预测病变性质并辅助放射科医生理解决策过程。该框架通过突出分类相关部分，提高了模型的准确性和可解释性，促进了医学 AI 的应用。同时，研究探讨了迁移学习和无监督自学习在乳腺癌筛查中的有效性，显示出优于传统方法的性能。

本文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（AugFPN），用于遥感目标检测，尤其在小目标检测中表现优异。通过分析现有特征金字塔结构的问题，AugFPN 显著提高了检测精度。此外，文中还介绍了动态 FPN 和旋转密集特征金字塔网络等方法，以优化目标检测性能。

近期AI的进展导致传统诊断方法衰退，端到端的诊断即将快速到来。本文提出了一种新的超声图像分割模型，结合了FPN和SRNN，考虑了超声图像的两个固有特征：器官和组织的空间尺寸变化以及人体内部解剖结构的相对恒定空间关系。讨论了使用FPN提取不同尺度解剖结构和使用SRNN提取腹部超声图像中的空间上下文特征的原因和实现方法。