AI生成摘要 在计算病理学中，对于密集分布的对象进行分割很重要。现有的半监督方法忽视了无标签图像中的拓扑信息，容易出现拓扑错误。为了解决这个问题，提出了TopoSemiSeg方法，通过学习拓扑表示来进行分割。实验证明该方法在拓扑评估指标上表现优越。

AI生成摘要 本研究发现神经语言模型中特定名词在主谓一致和反身指代方面准确度更高，语料库频率与名词在语法任务中的表现无关，可以从各种类型的训练数据中学习新名词的语法性质。结果显示语法表现应该比实际观察到的表现更稳定。

AI生成摘要 通过引入双向多级时空融合模块和类别感知的时空特征对齐模块，提出了一种新颖的 DA-STC 方法来解决视频语义分割任务中的领域自适应问题，并在多个具有挑战性的基准测试上取得了最先进的 mIOUs。

AI生成摘要 该论文提出了一种基于多视角视频的多视角一致半监督学习框架，利用未经注释、未校准但同步的多视角视频中的姿态信息相似性作为额外的弱监督信号来引导 3D 人体姿势回归。通过硬负采样建立多视角一致的姿态嵌入，并结合有限的 3D 姿态注释来完善该模型，实现了视角不变的姿态检索。

AI生成摘要 本文提出了一种名为FedCOME的共识机制，通过微调客户端的梯度来减少风险。还设计了一种新的客户端采样策略，有效减少未被选中的客户端的风险。实验证明FedCOME在效果、效率和公平性方面优于其他方法。

AI生成摘要 本研究提供了首个非标记的方法来实现单目视频中的三维运动捕捉，包括关节骨架的运动和非刚性表面形变。通过使用卷积神经网络和低维轨迹子空间解决单目重构问题，解决了关节运动、快速运动和非刚性变形等挑战。此外，提出了基于表面几何的细化方法，实现了中等规模的非刚性匹配。该方法在准确性、鲁棒性和处理复杂场景方面优于先前的单目方法。

基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码 - 解码架构的深度学习框架，可以将初始细胞状态映射到潜在空间中，其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件，我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应，反之亦然，从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示，从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型，包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示，我们的模型比现有的最先进方法取得了更好的性能。

使用图像数据和图像模型的 Breaking Temporal Consistency（BTC）方法，通过对视频中邻近帧的特征相似性进行最小化以生成逆向模式的对抗性视频，在各种数据集中具有优越的效果。

基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了 PLGDF 框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

AI生成摘要 本文介绍了一种名为MDCDP的模块，通过引入注意机制，利用位置编码查询视觉和语义特征，融合两种受约束特征以产生加强的特征，生成良好的内容感知嵌入。通过堆叠多个MDCDP以逐渐准确地距离建模，成功解决了文本识别中的困难问题。实验结果表明CDistNet在具有挑战性的识别场景中优于最近的热门方法，并在标准基准上取得了最新的准确性。可视化结果显示CDistNet在视觉和语义领域都实现了合适的信息利用。