圖像分割
- 用于圖像分割的自監督學習（Self-Supervised Learning）方法綜述
- **1. 背景與意義**
- **2. 方法演進**
- **3. 圖像分割子任務與SSL策略**
- **4. 自監督預訓練任務分類**
- **5. 基準數據集與評估指標**
- **6. 挑戰與未來方向**
- **總結**
用于圖像分割的自監督學習（Self-Supervised Learning）方法綜述
1. 背景與意義
圖像分割是計算機視覺的核心任務，旨在為圖像中的每個像素分配語義標簽或實例標識。傳統監督學習方法依賴大量標注數據，但標注成本高昂（如醫學影像標注耗時1.5小時/圖），且難以適應動態場景和新類別需求。自監督學習（SSL）通過設計預訓練任務從無標注數據中學習通用特征，顯著降低標注依賴，成為解決這一問題的關鍵路徑。例如，Meta的SAM模型通過跨任務自監督學習實現無標注分割，而NeuroSeg-III在雙光子成像中僅需1/10標注數據即可完成訓練。
2. 方法演進
- 傳統方法：基于手工特征（如邊緣檢測、圖割算法）和淺層模型（如SVM、隨機森林），依賴先驗知識且泛化性差。
- 監督學習：以CNN和Transformer為核心，需全標注數據支撐，在醫學影像（如心臟超聲）和工業質檢中面臨標注瓶頸。
- 自監督學習<
)
