本研究提出CamSAM2方法，通过去伪装标记和高分辨率特征融合，显著提升伪装视频物体分割效果，超越现有技术。

本研究提出逐步语义分割（PSS）方法，以解决自主驾驶在恶劣驾驶条件下的语义分割性能下降问题。该方法通过动态增长的领域特定模型集合，避免了传统方法的灾难性遗忘。实验结果表明，PSS在不同数据集上具有优越的泛化能力，显著提升了恶劣天气和光照条件下的分割效果。

本文提出了一种针对医学视觉应用的自我提示方法，优化了Segment Anything Model（SAM）的性能。通过新的提示优化技术和微调方法，研究在多个数据集上显著提升了分割效果，尤其在少样本情况下表现优异，减少了对专家提示的依赖，提高了模型的适用性和分割质量。

本研究提出了一种基于深度学习的医学体积分割方法，使用Med-Tuning框架实现了参数高效转移学习，提高了分割效果。该方法可以从头开始训练模型，也可以进行预训练后微调。