本研究提出了一种交互式图像分割网络，利用跨模态视觉transformers提升学习效果，显著改善复杂对象边界的分割性能，展示了在医学图像自动分割中的应用潜力，减少标注工作量并提高在线学习的鲁棒性。

本文研究了基于骨架的动作识别中视觉transformers的有效性和鲁棒性，并提出了三级体系结构Act-VIT。实验结果显示，视觉transformers对初始伪图像表示的敏感性较低，但通过分类器的一致性可以提高识别性能。