本研究提出了一种新型XMANet模型，解决了现有EMG手势识别方法的性能不足。实验结果表明，XMANet在多个数据集上显著优于传统模型，展示了细粒度特征在EMG分类中的潜力。

本研究提出了一种新颖的场景流估计网络MambaFlow，旨在解决时空建模不足和细粒度特征损失的问题。实验结果表明，该网络在Argoverse 2基准测试中表现优异，并具备实时推理能力。

研究比较了多模式表示学习在医学领域的效果，发现通用领域表示在医学领域具有可转移性，多模式对比训练不足够，学习细粒度特征有益处。研究结果表明多模式医学表示学习的有效性，并公开了代码。

本文提出了一种视觉引导的语义组网络（VGSG），用于解决基于文本的人物搜索（TBPS）问题。该方法通过引导的视觉线索提取对齐良好的细粒度视觉和文本特征，并采用关系性知识传递方法来传播信息，实现语义组文本特征与相应的视觉特征对齐。该方法在两个基准测试中表现出优越性。

提出了一种基于注意力引导的方法，利用全幅切片图像分类模型对阴道念珠菌进行诊断分类，通过细粒度特征的自注意模块和对虚假阳性区域的注意力抑制方法，解决了WSI图像样式差异并取得了最先进的性能。