Proposé en 2018 par Liu et ses collaborateurs, le Path Aggregation Network (PANet) représente une évolution majeure des architectures de détection d'objets. Développé à l'origine pour l'instance segmentation, PANet améliore significativement la précision globale en corrigeant les limites de son prédécesseur, le Feature Pyramid Network (FPN). Le FPN fonctionnait en combinant les cartes de caractéristiques générées par un réseau de neurones convolutif. Les couches profondes contiennent une forte information sémantique mais perdent en précision spatiale, tandis que les couches superficielles offrent l'inverse. Le FPN résolvait ce déséquilibre en injectant les informations sémantiques des couches profondes vers les couches superficielles via un cheminement de haut en bas. Cette approche a grandement amélioré la détection des petits objets. Toutefois, elle ne traitait pas la perte d'information spatiale au niveau des couches profondes, un facteur limitant la détection des grands objets. PANet comble cette lacune en ajoutant un cheminement bottom-up, créant ainsi un flux d'information bidirectionnel. En intégrant des connexions courtes similaires aux sauts de ResNet, l'architecture réduit considérablement la distance de propagation des données. Sans PANet, l'information spatiale devait parcourir plus de cent couches, entraînant une dégradation notable. Avec le mécanisme bottom-up, ce trajet est réduit à environ dix couches, préservant ainsi la précision géométrique nécessaire à la détection des grandes structures. Sur le plan technique, PANet récupère les sorties du FPN et les traite via une série de couches convolutives de 3x3. Chaque étape implique un redimensionnement spatial par un pas de convolution de 2, une addition élémentaire avec les cartes du FPN, puis une convolution supplémentaire suivie d'une fonction d'activation ReLU. Toutes les cartes intermédiaires conservent un canal de 256 dimensions pour assurer une compatibilité parfaite. Les résultats finaux, notés N2 à N5, sont directement transmis à la tête de détection. Cette conception hybride permet d'enrichir simultanément les couches superficielles en contexte sémantique et les couches profondes en information spatiale. Depuis sa publication, le mécanisme d'agrégation de chemins de PANet est devenu un standard largement intégré dans de nombreux modèles de vision par ordinateur modernes. Les implémentations open source, principalement réalisées en PyTorch, facilitent son adaptation et sa combinaison avec divers squelettes neuronales, confirmant son rôle clé dans le développement continu des algorithmes de détection et de segmentation.