该研究提出了一种基于图像和文本数据的无监督肺感染区域分割方法，通过属性知识学习、属性-图像交叉注意力融合和基于高置信度的伪标签探索，实现了对肺感染区域的准确分割。与现有方法相比，在无监督场景下表现出更好的性能。

我们开发了一种用于生成大型显微纤维材料图像数据集的方法，通过深度学习自动化识别硬木物种。该方法与人类专家的表现相似，将改善对全球木纤维产品流动的控制，以保护森林。

本文介绍了一种基于3D注意力的U-Net架构，用于多区域分割大脑肿瘤。该方法通过在解码器端添加注意机制来提高分割精度，证明其在精度上优于其他方法。

本篇文章主要讲解基于理论的图像分割方法，通过K-Means聚类算法实现图像分割或颜色分层处理。