文本分割旨在将文本分为连续的语义连贯段，而段标签则与每个段的生成标签有关。过去的工作表明，在解决文档和对话的分段和标签方面取得了成功。通过特定于任务的管道，受监督和无监督的学习目标的结合，这是可能的。在这项工作中，我们提出了一个单一的编码器神经网络，该网络可以处理长文档和对话，同时仅使用标准监督进行细分和细分标记。我们成功地展示了将组合任务作为纯生成任务解决的方法，我们称之为结构化摘要。我们将相同的技术应用于文档和对话数据，并在高资产设置和低资源设置下显示了各个数据集的最新技术性能。我们的结果确定了一个有力的案例，可以考虑整体文本细分和细分标签，并朝着不依赖域专业知识或特定于任务的组件的通用技术迈进。

在过去的几年中，自动驾驶的感知系统在其表现方面取得了重大进步。但是，这些系统在极端天气条件下努力表现出稳健性，因为在这些条件下，传感器和相机等传感器套件中的主要传感器都会下降。为了解决此问题，摄像机雷达融合系统为所有可靠的高质量感知提供了独特的机会。相机提供丰富的语义信息，而雷达可以通过遮挡和在所有天气条件下工作。在这项工作中，我们表明，当摄像机输入降解时，最新的融合方法的性能很差，这实际上导致失去了他们设定的全天可靠性。与这些方法相反，我们提出了一种新方法RadSegnet，该方法使用了独立信息提取的新设计理念，并在所有情况下都可以在所有情况下真正实现可靠性，包括遮挡和不利天气。我们在基准ASTYX数据集上开发并验证了我们的系统，并在辐射数据集上进一步验证了这些结果。与最先进的方法相比，Radsegnet在ASTYX上提高了27％，辐射增长了41.46％，平均精度得分，并且在不利天气条件下的性能明显更好