精确分割拓扑管状结构例如血管和道路，对各个领域至关重要，可确保下游任务的准确性和效率。然而，许多因素使任务变得复杂，包括细小脆弱的局部结构和复杂多变的全局形态。在这项工作中，注意到管状结构的特殊特征，并利用这一知识来引导 DSCNet 在三个阶段同时增强感知：特征提取、特征融合和损失约束。首先，提出了一种动态蛇形卷积，通过自适应地聚焦于细长和曲折的局部结构，来准确捕捉管状结构的特征。随后，提出了一种多视角特征融合策略，在特征融合期间从多个角度补充对特征的关注，确保从不同全局形态中保留重要信息。最后，提出新的基于持续同调的连续性约束损失函数，以更好地约束分割的拓扑连续性。
DSConv理论详解可以参考链接：论文地址
DSConv代码可在这个链接找到：代码地址

小目标理论

在YOLOv8 中，输入图像的尺寸为 640x640x3，经过 8 倍、16 倍和 32 倍下采样后分别得到 80x80、40x40 以及 20x20 大小的特征图，网络最终在这三个不同尺度的特征图上进行目标检测。在这三个尺度的特征图中，局部感受野最小的是 8 倍下采样特征图，即如果将该特征图映射到原输入图像，则每个网格对应原图 8x8 的区域。对于分辨率较小的目标而言，8 倍下采样得到的特征图感受野仍然偏大，容易丢失某些小目标的位置和细节信息。为了改善目标漏检现状，对 YOLOv8 的 Head 结构进行优化，在原有的三尺度检测头的基础之上，新增一个针对微小目标检测的检测头 ，YOLOv8 原有 P3、P4 和 P5 这 3 个输出层，分别用于检测小、中、大目标，增加 P2 检测层后，网络能在4个不同尺度的特征图上做检测，P2 能检测到最小目标分辨率为 4x4。通过增加小尺度检测头的方式，整个网络能在 4 倍、8 倍、16 倍和 32 倍下采样特征图上预测不同尺度的目标，大幅度提高了算法的多尺度目标检测性能。四个检测头如下表格所示：

下文都是手把手教程，跟着操作即可添加成功