2018年，Liu等人针对特征金字塔网络在信息流动上的局限性，提出了路径聚合网络（PANet），旨在进一步突破实例分割与目标检测的性能瓶颈。尽管FPN通过自顶向下的路径有效提升了浅层特征图的语义信息，使小目标检测更为精准，但其深层特征图仍因长距离卷积运算而严重丢失空间细节，制约了大目标的识别精度。为弥补这一缺陷，PANet在保留原有结构的基础上，创新性地引入了自底向上的路径增强模块。该模块通过跳跃连接与卷积操作，将浅层高空间分辨率特征直接传递至深层，将信息传递路径从百余层大幅缩减，显著降低了空间信息衰减。网络全程保持固定通道数，并在卷积后引入激活函数，最终输出特征张量供检测头使用。这一自顶向下与自底向上双向交互的架构设计，实现了语义信息与空间细节的深度融合，大幅提升了多尺度目标的检测准确率。目前，该架构已成为众多现代计算机视觉模型的标准组件，为高精度实例分割任务奠定了重要基础。