本研究提出了一种针对B模式超声图像的对比自监督学习方法，通过关系对比损失函数（RCL）提升特征学习。结果表明，该方法在乳腺超声数据集上显著优于传统监督分割，尤其在数据有限时展现出更强的泛化能力。

本文介绍了一种名为XLVINs的新方法，结合对比自监督学习和图表示学习，有效解决长期规划问题，超越传统值迭代网络。研究表明，该方法在多种环境中显著提升了机器人导航和规划的效率与性能。

该文章提出了一种新的机械故障诊断方法，利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据。通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。