本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可用于人类活动识别等领域，通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可广泛应用于其他领域。

本文介绍了一种用于脑肿瘤图像分割的多步骤特征学习方法，通过FLIM和MS-FLIM算法构建了sU-Net网络模型，并与其他深度学习模型进行了比较。结果显示，基于MS-FLIM的sU-Net在有效性和性能方面表现出色。