本研究探讨了基于卷积神经网络的立体匹配技术，提出了自适应训练、特征一致性维护和无人监督网络等方法，以提高模型的泛化能力和准确性。实验结果表明，这些方法在多个数据集上表现优异，超越了传统算法。

本文提出了一种有效的半监督医疗图像分割方法DPMS，通过数据扰动和模型稳定化提升性能。研究探讨了半监督域适应，采用自我学习的编码器和像素级特征一致性约束，实施两阶段训练，实验证明其优于其他方法。该方法在多个医学图像数据集上表现出色，有效解决了标注不足和领域转移问题。

本文介绍了多种无源域自适应方法，如ATCoN注意力机制、基于生成伪标签的目标检测和视频语义分割。这些方法通过特征一致性、对抗学习和自监督知识蒸馏等技术，显著提升了目标检测和动作识别的性能，研究结果在多个基准测试中表现优异，具有广泛的应用潜力。

该文汇总了弱监督语义分割及相关研究：提出基于图像分类网络与CAM的方法以提升区域相似性和轮廓质量；利用图卷积网络将伪标签生成作为半监督学习；提出跨视图特征一致性框架CVFC；ReCAM通过交叉熵生成高质量掩膜；像素级原型对比方法提升基线精度。此外还涉及小样本学习中的MHFC与TEEN校准策略、图像检索的局部感知编码，以及面向领域偏差目标检测的SCFAM对齐模型。

本文提出了一种基于注意力机制的跨视图特征一致性端到端伪掩膜生成框架（CVFC），通过三个分支的联合框架生成类激活图（CAM），并通过特征一致损失和特征交叉损失进行优化。在实验中，CVFC 在 WSSS4LUAD 数据集上表现出较高的 IoU 和 fwIoU，优于其他方法。