该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

Nov, 2019

本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

Jul, 2020

本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

Jan, 2017

该论文提出了一种名为 ACU 的卷积单元，其形状可以通过反向传递的方式学习，具有比传统卷积单元更大的灵活性和更好的性能，可用于各种数据集和架构。

Mar, 2017

通过引入上下文多样性的概念，利用所提出的上下文多样性度量在两个主动学习框架中使用，以进行主动帧选择，并在语义分割，目标检测和图像分类的基准数据集上建立最先进的结果。

Aug, 2020

本文提出了使用预训练模型进行迁移学习并使用主动学习方法选取最有用的样本来有限微调模型，以此降低标注成本并实现深度神经网络的经济有效训练。在多个数据集和不同预训练模型上进行的实验证明了该方法的有效性。

Feb, 2018

本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

Jun, 2022

本文提出了一种基于图卷积网络（GCN）的新颖池化主动学习框架，利用 GCN 对节点进行消息传递操作识别出已标记和未标记的节点，并利用节点的嵌入和置信度得分以及 CoreSet 和基于不确定性的采样技术选择未标记示例，反转其标签并重新训练学习者以优化下游任务，并评估了该方法在多个应用上的性能，实验结果表明，该方法在图像分类和手势估计等领域超越多个基线模型达到了新的最优性能。

Jun, 2020

通过密度感知和局部敏感哈希等方法，提出了一种基于多样性和难度的主动学习方法 (DACS)，可以通过选择含有更多信息的稀疏区域样本，有效地构建一个有标签的数据集，实验证明其能在分类和回归任务中实现同类最先进的性能。

Jun, 2022

本文研究了基于池化的主动学习方法，提出了一种新的算法，使用神经网络在表征层上的激活空间中的最远优先遍历，从池中查询连续的点，相比于随机抽样和传统的不确定性抽样技术，对 MNIST、CIFAR-10 和 CIFAR-100 三个数据集的样本复杂度都有显著提高。

Nov, 2017