本研究提出了一种自适应约束等变性（ACE）方法，旨在解决传统等变神经网络在处理不完全对称数据时的适应性问题。该方法通过逐步减少与等变性之间的偏差，显著提升了模型在多种任务中的性能和鲁棒性。

本文提出了一种利用多个惩罚权重解决分割网络中的类别和区域差异问题的新方法。通过基于类别和区域自适应约束的方法，在训练过程中学习惩罚权重。实验证明该方法优于现有方法。