降低水下场景理解的标签依赖：数据集、技术与应用综述

水下调查为制定管理策略、监测珊瑚礁健康和估算蓝碳储量提供了长期数据。机器人水下航行器等大范围调查方法的进步扩大了海洋调查的范围，但也产生了需要分析的大量图像。语义分割等计算机视觉方法有助于自动化图像分析，但通常依赖于带有大量标注数据的全监督训练。虽然像街景分割这样的任务，其真值标签掩码可以通过 Amazon Mechanical Turk 等众包服务由非专家快速且经济地生成，但生态学领域则面临更大的挑战。水下图像的复杂性，加上在像素级别准确识别物种所需的专业知识，使得这一过程成本高昂、耗时，并且严重依赖领域专家。近年来，一些工作对水下图像进行了自动化分析，少数研究则专注于旨在减少所需专家标注数据的弱监督方法。本综述重点关注减少对人类专家输入依赖的方法，同时回顾了先前和相关的方法，以将这些工作置于更广泛的水下感知领域中。此外，我们概述了沿海生态系统和水下图像的挑战。我们提供了弱监督和自监督深度学习的背景，并将这些元素整合到一个以水下监测、计算机视觉和深度学习交叉点为中心的体系中，同时激励了减少对领域专家数据标注依赖的弱监督深度学习方法。最后，本综述考察了可用的数据集和平台，并指出了自动化水下调查的差距、障碍和机遇。