本研究提出了一种基于多模态大型语言模型的端到端视频推理分割方法（VRS-HQ），有效解决了现有方法的空间复杂性和运动捕捉不足的问题。VRS-HQ在ReVOS上表现优异，超越VISA，展现出强大的时空特征表示能力。

本研究探讨了睾丸体积评估对男性生育力的重要性，提出了一种基于英国生物库MRI数据的新分割方法，取得了显著的dice评分（0.87），为临床应用奠定了基础。

该研究提出了一种自动准确地将脑部磁共振图像分割成组织和结构的方法，通过使用知识导向的提示学习的两步分割框架，实现了优越性和鲁棒性。

数字病理学和自动扫描保存整张组织学图像的显微系统的出现，使得计算机方法在组织学图像分析中得到广泛应用。本文提出了一种改进基于深度学习的自动分割方法，通过结合非确定性训练时间和确定性测试时间染色归一化，提高了分割核实的性能。实验结果显示，该方法在性能上比基线模型提升了5.77％至5.27％。

本文提出了一种将U-Net架构与DenseNet-121主干相结合的分割方法，利用两者的优势捕捉全面的上下文和空间信息。实验结果显示该模型在组织病理学图像分析和癌症诊断方面具有潜力。

该研究提出了一种基于深度学习的分割方法，用于从MRI图像中准确地分割大脑结构。该方法基于多区域U-Net，将大脑分为三个感兴趣的区域，并进一步细分为四个子结构。与整体分割相比，该方法减少了训练和处理时间，提高了准确性。实验结果表明该方法具有卓越的准确性和鲁棒性。

该研究提出了一种基于深度学习的分割方法，可以高效准确地从MRI图像中分割出大脑结构。该方法以多区域U-Net为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域U-Net将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个MRI图像相比，该方法不仅减少了训练和处理时间，而且提高了分割的准确性。该方法在准确性方面表现出色，并与最先进的分割方法进行了比较，展示了其高准确性和鲁棒性。

该文章提出了一种基于分割的方法来识别手写中文文本，使用完全卷积网络和弱监督学习方法。通过上下文规则化方法提高了识别性能，在四个基准测试上优于现有方法，并具有更高的推断速度。

本文提出了一个基于深度学习的区域合并方法 - DeepMerge，用于处理大面积 VHR 图像的分割。通过集成 Transformer、多级嵌入模块、基于分割的特征嵌入模块和区域邻接图模型，以及改进的二叉树采样方法生成深度合并模型的多级输入。实验结果表明，DeepMerge 在定量和定性评估方面优于其他分割方法，具有最高的 F 值（0.9446）和最低的 TE（0.0962）和 ED2（0.8989），能够正确地分割不同大小的对象。

该研究提出了一种无需重新训练的方法，可以准确地分割白质高信号和脑区域，并在多个数据集和高/低场扫描中展示了强相关性结果。

本文研究了深度学习在存在噪声标注的情况下的学习动态，并提出了一种新的分割方法，能够自适应地纠正噪声注释，并提高鲁棒性。该方法在医学成像分割任务中表现优异，具有强大的鲁棒性。

该文章介绍了一种基于能量最小化的新型分割方法，通过引入高阶项来融入对分割形状的先验知识，实现将像素集完全位于一个分割或另一个分割中。该方法在肺动脉-静脉分割中展示了有效性。

该文介绍了一种用于联合像素级语义内部分布和分布外分类的分割方法，旨在解决全景分割在存在分布外对象的情况下受到严重影响的问题。作者提出了新颖的 PoDS 架构，并在 Cityscapes 和 BDD100K 数据集上进行了大量评估实验证明该方法可以有效地解决主要挑战并显著优于基线模型。

该文介绍了 Epistemic Logic Programs 中的自底向上和自顶向下的分割方法，并证明了它们的等价性。作者引入了新的定义和语义属性进行分析。