本研究提出了一种自适应增强一致性学习（AACL）的半监督分割框架，旨在解决遥感分割中高质量标记图像稀缺的问题。AACL通过均匀强度增强和自适应剪切混合技术，从未标记图像中提取额外信息，显著提高了遥感分割的准确性，特定类别性能提升20%，整体性能提升2%。

本文介绍了一种基于实例分割的迁移学习方法，用于动物行为分析。该方法能够在实验室视频中跟踪多个动物并进行行为分析，达到人类水平，且只需少量标记图像进行训练，推动了动物行为分析技术的发展。

通过多样化协同训练，在Pascal和Cityscapes数据集上取得了显著优势。使用92、183和366张标记图像，在Pascal数据集上的mIoU分别为76.2%、77.7%和80.2%，超过之前的最佳结果超过5%。