本研究提出了一种自适应视觉-语言模型，用于肺动脉和静脉的三维分割，减少了对标注数据的依赖。通过语言引导的交叉注意力融合框架，结合预训练的CLIP模型，实验结果表明该方法在分割任务上优于其他先进技术。

本研究解决了传统生物特征识别在口罩和卫生问题下面临的挑战，提出了一种新颖的双通道多注意力视觉变换器框架。该框架通过独立提取额头皮下静脉模式和眼周模式，展示了优越的分类准确率（99.3±0.02%），为生物特征认证提供了有效的替代方案。

本研究提出了一种自动无监督学习策略，创建指静脉图像数据集，模式提取准确率达到99.6%。通过深度学习框架和3D打印技术，提升了指静脉识别性能，解决了样本不足的问题。同时，研究探讨了个性化联邦学习框架在非独立同分布数据上的应用，展示了其在准确性和鲁棒性方面的优势。

该研究提出了一种新的混合网络结构“全局-局部视觉Mamba”，能够同时学习图像中的局部相关性和全局依赖性。实验结果表明该方法在多个公共数据库上实现了最先进的识别准确率，具有重要的应用价值。

本研究通过受力感知引导血管分割提升超声血管分割准确性，解决动脉和静脉难以区分的问题，并通过关注机制和受力大小融合关键帧与当前帧提升性能。提供了多模态超声动脉和静脉分割数据集Mus-V，包含3114张超声图像和105个视频中的受力数据。

MRC-Net是一种多分辨率上下文网络，通过多尺度特征提取和双向递归学习模型来提高前景分割网络的性能。

该研究提出了一种对抗性遮罩对比学习（AMCL）方法，通过生成具有挑战性的样本来训练更强大的对比学习模型，以解决指静脉特征提取中训练样本不足的问题。实验结果表明，该方法在脉络识别的准确率方面优于现有的对比学习方法，达到了最新的识别结果。

该文章介绍了一种基于能量最小化的新型分割方法，通过引入高阶项来融入对分割形状的先验知识，实现将像素集完全位于一个分割或另一个分割中。该方法在肺动脉-静脉分割中展示了有效性。

TinySiamese是一种用于生物识别的小型网络，采用预训练CNN作为特征提取器，在多个数据集上实现了高准确性，且只需要不超过7层的低功耗机器即可运行。

PrintsGAN是一种指纹合成生成器，能够生成独特的指纹和多个印象。研究人员使用该生成器合成了525k个指纹的数据库，并训练了一个深度网络从中提取嵌入。

该研究提出了一种基于半监督域自适应的脑血管分割方法，通过图像转换和语义分割，实现了高效稳定的模型训练，具有可靠的脑血管图像分割潜力。