本研究解决了时空人群流动预测模型在上下文特征使用上的不一致问题，提出了包含多种上下文特征的数据集STContext，并提供了统一的整合流程，以指导有效的上下文建模。

本研究改进了光流处理中的凸上采样方法，提出了解耦加权和上下文特征引入，开发了基于局部注意力的上采样器，实验结果表明这些改进提升了光流模型的精度。

本文介绍了一种名为特征金字塔变换器（FPT）的新方法，能够有效捕捉不同尺度物体的上下文特征。FPT在实例级和像素级分割任务中表现优异，超越了现有方法。此外，文中提到的多种基于特征金字塔的网络架构，如FPN和CD-CTFM，在目标检测和图像分割中也取得了显著性能提升。

本文提出了一种改进的点云几何压缩方法，利用上下文特征残差和多层感知分支，显著提升了压缩性能。通过对八叉树和体素模型的验证，证明了该方法在点云分类和抗噪处理方面的效率和准确性。

我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。实验结果表明，CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上表现优于Pure CNN或Transformer方法。

该研究介绍了一种多粒度转换器（MGTR）框架，用于处理交通代理的不同粒度上下文特征。通过整合LiDAR语义特征，增强了MGTR的功能。在Waymo Open数据集的测试中，MGTR排名第一。