本研究提出SeqSAM方法，解决医学图像分割中仅生成单一预测的问题。该方法通过序列化和RNN启发策略，利用二部匹配损失确保分割掩模的临床相关性，并能生成多个掩模。研究表明，该方法在公开数据集上显著提高了分割质量。

该研究提出了一种新的视频对象分割方式，通过快速优化技术学习目标外观模型，预测出粗略的目标分割并转化为高质量的分割掩模。实验结果表明，该方法在YouTube-VOS和DAVIS数据集上具有更高的帧率和优异的性能。

本文介绍了一种新的分割范式ECENet，通过增强类别嵌入和探索分割掩模与类别嵌入之间的反向信息流来提高性能。实验结果表明，在ADE20K数据集上，ECENet的性能优于其他模型，并且计算成本较低。在PASCAL-Context数据集上也取得了最先进的结果。