本研究提出了一种名为BiSeg-SAM的弱监督框架，旨在提高医学图像中息肉和皮肤病变的二元分割精度。该框架结合了SAM模型和CNN模块，通过自动提示框和多选掩模技术，显著提升了分割效果，实验结果优于现有技术。

本研究提出了一种弱监督框架，结合多时相信息，解决了大规模农田制图中对精确标签的需求，显著提升了农田提取的鲁棒性和适应性。

本文提出了一种轻量级视频异常检测模型，结合自适应实例选择和多级时间相关注意力模块，提升了性能，适用于资源受限环境。研究还介绍了基于深度神经网络的弱监督框架，通过视频级标签和时空特征生成伪标签，减少噪声，实现更准确的异常检测。实验结果表明，该方法在多个数据集上表现优异。

本文介绍了行人属性识别的多种方法，包括基于深度学习的弱监督框架、元学习和属性分离特征学习。这些方法在属性识别和定位方面表现出色，尤其在处理属性不平衡和少量样本学习时具有竞争力，实验结果验证了其有效性和优越性。

本文提出了一个通用双模分离框架，可以在训练期间无需访问单一源声音数据而对多源音频混合进行有条件的声音分离。实验证明，通过访问预训练联合嵌入模型，可以实现这一目标。该框架显著提高了纯无监督基准的性能，并且在信噪比方面可以实现71%的提升。通过弱监督框架扩充有监督学习，可以进一步提高性能，使其成为强大的半监督音频分离框架。