PiPa++是一个无监督域自适应分割框架，通过比较的核心思想提高了分割准确度。该框架学习像素级特征并实现时间连续性。实验证明该方法有效且与其他UDA方法兼容。

该论文研究了工业应用中的异常模式检测技术，提出了一种在线异常检测和分割的框架。通过利用无标签数据来提高模型性能，使用神经气体网络对正常图像进行建模，并采用多尺度特征嵌入来获得鲁棒的表示。实验结果表明该方法在FOADS设置下取得了显著的性能。

该论文研究了工业应用中的异常模式检测技术，提出了一种少样本在线异常检测和分割的框架。通过利用无标签数据来提高模型性能，使用神经气体网络对正常图像进行建模，并引入一种能够增量更新参数的算法。实验结果表明该方法在FOADS设置下取得了显著的性能。

该论文研究了工业应用中的异常模式检测技术，提出了一种少样本在线异常检测和分割的框架。通过利用无标签数据来提高模型性能，使用神经气体网络对正常图像进行建模，并引入一种能够增量更新参数的算法。实验结果表明该方法在FOADS设置下取得了显著的性能。