本论文研究了在深度神经网络模型中的主动学习，适用于诸如检测局部地表变化和地图更新等一些遥感任务，并使用各种机制捕捉和量化模型的不确定性，以选择有信息量的未标记样本进行注释，通过少量样本的标记就达到与大型训练集相同的性能的效果。

Aug, 2020

本文提出了一种基于加权递增字典学习的主动学习算法，该算法选择能够最大化代表性和不确定性两个选择标准的训练样本，通过在每次迭代中主动选择训练样本来高效地训练深度网络，然后将所提出的算法应用于高光谱图像的分类，并与其他应用主动学习的分类算法进行比较，结果表明所提出的算法在分类高光谱图像时既高效又有效。

Nov, 2016

使用包装器主动学习方法对分类问题进行改进，通过在初始标记样本上构建分类树，将空间分解为低熵区域，再使用基于输入空间的准则从这些区域中进行子采样，并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。

Apr, 2024

通过卫星图像的语义分割进行遥感技术研究，有利于了解和利用地球表面。本文提出一种低成本的标记方法，通过众包或预训练网络标记图像，并利用主动学习策略在第二步精细化标注图像。实验结果表明，对语义分割网络进行主动标注精化能够提高性能。

Sep, 2023

本文介绍了有监督学习中获取标记数据的高成本和获取大量未标记数据的轻松方法，以及通过自适应选择标记样本来获得高精度预测模型的主要问题设置和最近的研究趋势。重点介绍了选择从数据中进行标记的学习获取函数的研究、关于主动学习算法的理论工作和顺序数据获取的停止标准。介绍了材料开发和测量的应用示例。

Dec, 2020

本文旨在探讨自监督预训练与主动学习的联合使用是否能够有效解决遥感图像多标签分类中的类不平衡问题，并通过实验证明了与单独使用随机训练集进行微调相比，指导自监督模型的主动学习微调方案的有效性。

Jun, 2023

本文介绍了无线通信中深度学习应用的主动学习算法，通过在无标签数据集中识别关键和信息量最高的样本，仅对这些样本进行标记，从而减少标注开销并保持与传统训练相同的准确性。在深度学习基于毫米波波束选择的案例研究中，我们对多模态数据集进行了不同主动学习算法的性能评估，结果表明，在存在类别不平衡的数据集上，使用主动学习算法可以将标注开销降低 50%。

Jan, 2024

提出了一种能够在只有单类样本和无标签数据的情况下运作的主动学习算法，该方法通过分别估计正样本和未标记点的概率密度，计算信息性的期望值以获取更好的信息性度量。与其他类似方法相比，实验和经验分析结果表现出有前途的结果。

Feb, 2016

提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

Mar, 2022

本文针对通过空间滤波器解决高光谱分类问题，提出了一种使用数据驱动方法找到滤波器的有效集合的方法，并在四个高光谱图像分类问题上实现了良好的分类性能。

Jun, 2016