计算机视觉与深度学习 ｜ 用于图像分割的自监督学习（Self-Supervised Learning）方法综述
图像分割
- 用于图像分割的自监督学习（Self-Supervised Learning）方法综述
- **1. 背景与意义**
- **2. 方法演进**
- **3. 图像分割子任务与SSL策略**
- **4. 自监督预训练任务分类**
- **5. 基准数据集与评估指标**
- **6. 挑战与未来方向**
- **总结**
用于图像分割的自监督学习（Self-Supervised Learning）方法综述
1. 背景与意义
图像分割是计算机视觉的核心任务，旨在为图像中的每个像素分配语义标签或实例标识。传统监督学习方法依赖大量标注数据，但标注成本高昂（如医学影像标注耗时1.5小时/图），且难以适应动态场景和新类别需求。自监督学习（SSL）通过设计预训练任务从无标注数据中学习通用特征，显著降低标注依赖，成为解决这一问题的关键路径。例如，Meta的SAM模型通过跨任务自监督学习实现无标注分割，而NeuroSeg-III在双光子成像中仅需1/10标注数据即可完成训练。
2. 方法演进
- 传统方法：基于手工特征（如边缘检测、图割算法）和浅层模型（如SVM、随机森林），依赖先验知识且泛化性差。
- 监督学习：以CNN和Transformer为核心，需全标注数据支撑，在医学影像（如心脏超声）和工业质检中面临标注瓶颈。
- 自监督学习<