مروری جامع بر روش های یادگیری بدون برچسب در بخش بندی تصاویر

بخش بندی تصویر یکی از مسائل بنیادی در بینایی ماشین است که به جداسازی نواحی معنایی یا ساختاری در تصاویر می پردازد. در سال های اخیر، روش های یادگیری بدون برچسب به دلیل کاهش وابستگی به داده های برچسب خورده و هزینه بالای برچسب گذاری مورد توجه گسترده قرار گرفته اند. این رویکردها تلاش می کنند با استخراج الگوهای ذاتی موجود در داده ها، نمایش های معنادار از تصاویر ایجاد کرده و از آن ها برای تفکیک نواحی مختلف تصویر استفاده کنند. روش های مختلفی از جمله خوشه بندی مبتنی بر ویژگی، یادگیری بازنمایی با خودنظارتی، مدل های مولد، و روش های مبتنی بر یادگیری عمیق در این حوزه توسعه یافته اند. این روش ها با بهره گیری از ساختار آماری داده ها، شباهت های فضایی و معنایی، و یادگیری بازنمایی های چندمقیاسی، امکان بخش بندی موثر تصاویر را بدون نیاز به برچسب های انسانی فراهم می کنند. با وجود پیشرفت های قابل توجه، چالش هایی مانند پایداری خوشه ها، تفسیرپذیری نتایج، و ارزیابی عملکرد همچنان از موضوعات فعال پژوهشی در این حوزه به شمار می روند.

کلیدواژه ها:

بخش بندی تصویر ، یادگیری بدون برچسب ، خوشه بندی ، یادگیری خودنظارتی ، یادگیری بازنمایی ، بینایی ماشین