本文介绍了GoodSAM框架，通过引入教师助理和融合SAM的logits解决知识转移问题。使用DAR和MKA模块处理全景图像的畸变问题并传递多级特征知识。实验证明GoodSAM在两个基准测试上取得了较先进方法+3.75%的mIoU提升。最轻量级的模型仅有3.7M个参数，但性能与先进方法相媲美。

本文介绍了双向多跳推理模型（BMIM），通过特征选择网络和双向多跳推理网络提取和整合情感和行为线索，建模情感和行为标签的相关性。该模型在Dialog Sentiment Classification（DSC）和Act Recognition（DAR）任务中提升性能，并增强了联合情感和行为预测任务的可解释性。