本文评估了Meta AI Research发布的SAM模型在医学成像中的息肉分割性能，提出了结合迁移学习的Poly-SAM模型，显著提升了结肠息肉分割效果。还探讨了传统与深度学习算法的比较，提出了SAM-guided Collaborative Learning Network方法，展示了在弱监督分割中的优势，并分析了深度学习在息肉分割中的挑战与机遇。

该研究提出了一种全卷积3D点云实例分割方法，结合逐点预测和最优传输技术，显著提高了分割精度。新架构如PointGroup和3D-BoNet在ScanNet和S3DIS数据集上表现优异，计算效率也有所提升。此外，研究还探讨了弱监督分割和基于空间关系的HAIS方法，均展现出良好的性能和泛化能力。

本文介绍了多种基于卷积神经网络（CNN）的语义分割方法，包括弱监督分割、无监督域自适应和改进的学习图像压缩技术。这些方法通过引入新型约束和优化策略，显著提高了分割精度和计算效率，尤其在标注数据稀缺的情况下表现优异。

本文提出了一种利用亲和建模技术进行弱监督分割的方法，通过局部和全局成对亲和项生成软伪标签，降低了像素级标注成本，并开发了高效算法。实验证明该方法在标签有效分割任务中表现出卓越性能。