本研究评估了标注策略、数据不平衡和先前经验对人类标注者表现的影响。结果显示，在目标检测任务中，标注者表现优于分割任务，但存在更多类型II错误。这些发现有助于改进遥感研究中的标注策略。

本研究提出了一种名为Sqish的新型激活函数，展示了它在分类、目标检测、分割任务和对抗性鲁棒性实验中的优越性。在CIFAR100数据集上，使用ShuffleNet V2模型在FGSM对抗攻击中相较于ReLU取得了8.21%的改进，在图像分类中相较于ReLU取得了5.87%的改进。

DIVA通过自监督扩散过程为CLIP提供生成性反馈，优化了其表征，改善了多模态理解和分割任务的性能，并保留了CLIP的零样本能力。

本文介绍了一种名为“DUCK-Net”的监督卷积神经网络架构，能够从少量的医学图像中学习和概括，以进行准确的分割任务。该模型利用编码器-解码器结构、残差下采样机制和自定义卷积块来处理图像信息。通过数据增强技术提高模型性能。在结肠镜图像的息肉分割方面展示了该方法的能力。在多个数据集上评估结果表明，该方法在Dice系数、Jaccard指数、精确度、召回率和准确度等方面取得了最先进的结果。代码已在GitHub上公开。

计算机视觉中的目标检测和分割任务取得了巨大进展，但现有数据集中的标注类别较小且预定义，无法推广到开放词汇之外。近年来，越来越多的关注集中在开放词汇检测和分割上。本调研提供了对过去和最新开放词汇检测和分割发展的全面审查，包括不同方法学的分类和讨论。同时提供了一些有前途的方向，以激发未来的研究。

本研究介绍了一种新方法ASAM，通过敌对调整增强SAM性能，利用稳定性扩散模型增加SA-1B数据集子集的敌对实例，提高分割任务表现，为计算机视觉基础模型进展做出贡献。

通过分割任务、内存访问优化、并行执行和同步点，可以在GPU上并行优化矩阵乘法。矩阵分割减少内存访问延迟、提高内存带宽利用率、增加并行度和减少误差。这些优化使GPU成为执行大规模矩阵乘法的理想选择，提升性能。

该文介绍了一种基于自监督学习的表示优化技术，可以改进细粒度分类和分割任务的性能。该技术利用部分特异变化来改进 fine-grained 分类，并在卷积和视觉变换网络中聚类像素表示。通过部分中心化学习和对比，在图像中对部分进行聚类，提高了图像分类和部分分割任务的性能。该技术在多个数据集上展示了良好的性能。

本文介绍了对nnU-Net模型进行BraTS 2020挑战的分割任务的改进方法，包括后处理、基于区域的训练、更激进的数据增强和对nnUNet管道的修改。通过重新实现BraTS排名方案，最终集成的nnU-Net在肿瘤、肿瘤核心和增强肿瘤方面的Dice分数分别为88.95、85.06和82.03，HD95值分别为8.498、17.337和17.805，获得了BraTS 2020比赛的第一名。