قدم باحثون بقيادة شيو ليو عام 2018 شبكة تجميع المسارات (PANet)، بنية تحتية متقدمة تُطوّر بشكل ملحوظ على شبكة الأهرامات الميزة (FPN) لتعزيز دقة الكشف عن الكائنات وتجزئتها على مستوى النسق. تستند الشبكة إلى الملاحظة القائلة بأن الطبقات العميقة في الشبكات العصبية الالتفافية تفتقر إلى المعلومات المكانية الدقيقة، بينما تفتقد الطبقات السطحية إلى السياق الدلالي الكافي، مما يحد من كفاءة النماذج عند التعامل مع كائنات بأحجام متباينة في المهام البصرية. لحل هذه المعضلة المعمارية، أضافت PANet مساراً صاعداً إلى البنية الرأسية القائمة على FPN، مما أنشأ تدفقاً معلوماتياً ثنائي الاتجاه. يعمل المسار الصاعد على نقل التفاصيل المكانية من الطبقات الأولية إلى الطبقات الأعمق، بينما يحافظ المسار الهابط على الغنى الدلالي الذي وفرته الفروع القمية. تعتمد الآلية على كتل تلافيفية تلتحق بالمخرجات الوسيطة (P2 إلى P5)، مع إجراء عملية إسقاط مكاني باستخدام نواة 3×3 وخطوة قدرها 2، يليها جمع عنصر بعنصر مع المخرجات المتوسطة، ثم تمرير الناتج عبر وحدة تلافيفية أخرى مزودة بدالة التنشيط ReLU. على عكس النسخة الأصلية التي تتجاهل التنشيط، تلتزم PANet بدمج ReLU بعد كل عملية تلافيف، مع الحفاظ على قناة موحدة قدرها 256 عبر جميع مراحل التجميع لضمان اتساق البيانات. تؤدي هذه العمليات إلى إنتاج متجهات مميزة محسّنة (N2 إلى N5) تُمرر مباشرة إلى رؤوس الكشف، مما يحسن بشكل ملحوظ قدرة النموذج على تعقب الكائنات الكبيرة والصغيرة في آن واحد. أظهرت التطبيقات أن الدمج الثنائي الاتجاه يقلل بشكل جذري من تدهور المعلومات المكانية الناجم عن المسارات الطويلة داخل الشبكات العميقة، ويعزز الدقة الإجمالية للنمذجة. وقد أصبحت هذه البنية مرجعاً هندسياً أساسياً في قطاع الرؤية الحاسوبية، حيث اعتمدتها أطر عمل رائدة لتحسين كفاءة المعالجة وتقليل زمن التنبؤ في التطبيقات الصناعية والبحثية. يُعد PANet قفزة نوعية في تطوير بنيات استخراج المميزات، حيث أغلق الفجوة المعمارية التي تركتها الفروع الهرمية التقليدية، وساهم بشكل مباشر في رفع المعايير القياسية للأداء في مهام الكشف والتجزئة على مستوى الصناعة.