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

医学图像分析中，深度学习取得了广泛成功，但标注成本高度制约了深度学习的发展，积极学习旨在选择最具信息量的样本进行标注，并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾，首次对积极学习与其他标签高效技术（如半监督学习、自监督学习等）的整合进行了概述，同时还重点介绍了专门针对医学图像分析的积极学习工作。最后，对积极学习在医学图像分析中的未来趋势和挑战提出了展望。

Oct, 2023

本文介绍了一种新的在线主动深度学习方法，在医学影像分析中取得了显著的性能提升，通过新的采样方法和在线学习，只需使用 25% 的标注数据，就能使深度网络的精度提高 6.30％，在二分类和多分类任务中也展现出很好的鲁棒性。

Aug, 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

策略是通过使用深度强化学习对语义分割进行主动学习实现的，该方法比最有竞争力的基线数量少约 30％的附加标签数据，提高模型对不足表达类别的分类性能。

Feb, 2020

该研究结合贝叶斯深度学习与主动学习框架，在高维图像数据的任务中，证明了其在现有主动学习方法上的显着改进。研究表明，结合专业模型，如贝叶斯卷积神经网络，可以使主动学习技术在 MNIST 数据集和皮肤癌诊断任务中得到显著改进。

Mar, 2017

本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

Sep, 2018

本论文提出了一种基于梯度嵌入和预测校准的主动学习方法 Ask-n-Learn，结合数据扩增缓解伪标注期间的确认偏差，通过对基准图像分类任务（CIFAR-10，SVHN，Fashion-MNIST，MNIST）的经验研究，证明了该方法优于最近提出的 BADGE 算法等现有基线。

Sep, 2020

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

本文提出了一种新的主动学习框架，通过选择一批典型样本和一组信息帧进行视频分类，以减轻人工注释员的负担。通过不确定性和多样性来确定信息化的视频，并利用代表性采样技术从每个视频中提取一组样本帧。

Jul, 2023