本文提出了一种频率感知匹配网络（FAMNet），旨在提升少样本医学图像分割模型在领域转移中的性能。FAMNet通过频率感知匹配模块和多光谱融合模块，有效应对领域内外的变异问题。

该文综述红外热成像行人追踪算法，涵盖基准数据集构建及特征提取、运动模型、观测模型等组件评估，并介绍HSSNet、I-Net、IRLAS等深度学习方法，以及多光谱融合、多任务学习、逆强化学习架构搜索等技术，在VOT-TIR、KAIST等基准上性能提升显著。

该文综述低光条件下的行人检测方法，按基于区域、非区域和图形学习三类对算法进行分类分析，介绍方法学、实施问题与挑战，并概述关键基准数据集。内容涉及手工与深度特征、单/多通道检测、多光谱融合、语义分割联合监督、跨模态学习及Vision Transformer等，强调待解决问题与未来方向。