本研究提出了BiPVL-Seg框架，解决医学图像分割中忽视文本信息的问题。该框架通过视觉与语言的融合与对齐，显著提高了复杂多类别分割任务的精度，优于现有方法。

本文探讨了Segment Anything Model (SAM)在医学图像分割中的应用，特别是在细胞核检测和多类别分割任务中的表现。研究提出了一种高效的少样本微调策略，显著提高了分割性能，并减少了对标记数据的需求。未来研究将集中在改善密集实例对象的分割能力上。

本研究探讨了机载人工智能在卫星图像多类别分割中的应用，提出了轻量级深度学习模型1D-Justo-LiuNet，准确率达到0.93。研究强调在L1b辐射计校准后进行图像分割的重要性，并开发新算法以应对领域差异问题，提升云检测和土地覆盖分类的精度。

本研究通过训练16种不同模型实现高分辨率卫星图像的多类别分割，其中1D-Justo-LiuNet模型在海洋-陆地-云覆盖分割方面性能优于U-Net及其变体，但推理时间较长。研究发现图像分割应在L1b辐射计校准后进行，减少光谱通道会降低模型参数数量和推理时间，但会牺牲分割性能。

本研究通过训练16种不同模型实现高分辨率卫星图像的多类别分割，其中1D-Justo-LiuNet模型在海洋-陆地-云覆盖分割方面性能优于U-Net模型，但推理时间较长。研究发现图像分割应在L1b辐射计校准后进行，减少光谱通道可降低参数数量和推理时间，但会牺牲分割性能。