MatSSL：金相图像分割的鲁棒自监督表征学习
计算机视觉与模式识别
2025-07-29 v1 材料科学
摘要
MatSSL是一种精简的自监督学习（SSL）架构，在背部网络的每个阶段采用门控特征融合以有效整合多级表征。当前的金属材料微观图分析依赖于监督方法，这些方法需要为每个新数据集重新训练，并且往往仅凭少量标记样本就表现不稳定。虽然SSL作为一种从无标签数据中获益的有前景的替代方案，但大多数现有方法仍依赖大规模数据集方能有效。MatSSL旨在克服这一限制。我们首先在小规模无标签数据集上进行自监督预训练，然后在多个基准数据集上进行微调。得到的分割模型在MetalDAM数据集上实现69.13%的mIoU，显著优于仅使用ImageNet预训练编码器的66.73%；在环境屏障涂层（EBC）基准数据集上，MatSSL实现了近40%的平均mIoU提升，优于使用MicroNet预训练的模型。这表明MatSSL仅凭少量无标签数据即可实现对金相领域的有效适应，同时保留了从大规模自然图像预训练中学习的丰富且可迁移的特征。
引用
@article{arxiv.2507.18184,
title = {MatSSL: Robust Self-Supervised Representation Learning for Metallographic Image Segmentation},
author = {Hoang Hai Nam Nguyen and Phan Nguyen Duc Hieu and Ho Won Lee},
journal= {arXiv preprint arXiv:2507.18184},
year = {2025}
}