该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

Nov, 2023

该论文提出了一种融合标注和模型训练的主动学习方法，结合半监督学习和基于一致性的样本选择度量，实现从未标注数据中选取最优数据来改善模型性能，在图像分类任务中实验结果显示出优异表现，同时探究了学习式主动学习方法的起点问题并提出了相关测量指标。

Oct, 2019

医学图像分割是医学图像分析中的关键任务。近年来，基于深度学习的方法在完整注释数据集上训练时展现出出色的性能。然而，数据注释往往是一个重要的瓶颈，特别是对于 3D 医学图像。主动学习是一种有效注释的有希望的解决方案，但需要一组初始标记样本来开始主动选择。当整个数据池是无标签的时候，我们该如何选择样本作为初始集合进行注释？这也被称为冷启动主动学习，只允许一次向专家请求注释而无法获得先前已注释数据的访问权限。冷启动主动学习在许多实际场景中都非常相关但却鲜有深入探讨，特别是对需要大量注释工作的 3D 医学分割任务来说。在本文中，我们通过在公开的医学分割 Decathlon 数据集中评估六种冷启动主动学习策略上的五个 3D 医学图像分割任务来提出了一个名为 COLosSAL 的基准测试。我们进行了详尽的性能分析并探讨了冷启动主动学习的一些重要问题，如不同策略对预算的影响。我们的结果表明，对于 3D 分割任务而言，冷启动主动学习仍然是一个未解决的问题，但也观察到了一些重要的趋势。我们公开提供了完整基准测试的代码存储库、数据划分和基准结果。

Jul, 2023

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

本文提出一种新算法，将半监督和主动学习相结合，通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法，以处理带有噪声的标签，进一步增强神经网络的能力来查询有用的数据，从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法，仅使用了 12.1% 和 15.1% 的标签数据，分别实现了 95% 以上的准确率。

Oct, 2022

该论文提出了一种基于自监督样本挖掘（SSM）过程的主动学习（AL）框架，针对目标检测中的真实挑战，通过自动发现和伪标记可靠的区域提案来增强目标检测器，逐步将未标注或部分标注的数据纳入模型学习中，同时最大限度地减少用户的注释工作。对两个公共基准的广泛实验清楚地表明，该框架可以实现与最先进方法可比较的性能，并显著减少注释次数。

Mar, 2018

该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

Nov, 2021

通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。

Jan, 2024

提出了一种新的无关模型且无需迭代过程的主动学习方法，利用自监督学习的特征表示来进行数据注释以提高深度学习模型的泛化性能。

Jan, 2024

该研究提出了一种名为 IDEAL 的算法，采用不一致性为基础的虚拟对抗积极学习方法来探索半监督学习和积极学习的潜在优势，通过数据采样和增强策略来评估未标记样本的不一致性并取得了良好的实验效果。

Jun, 2022