提出一种基于区域和多样性感知主动学习 (ReDAL) 的深度学习方法，结合了 softmax 熵、颜色不连续性和结构复杂性等特征，可准确快速地自动选择信息与多样性高的场景子区域进行标注获取，在 S3DIS 和 SemanticKITTI 数据集中只需少于 15% 和 5% 的标注即可实现与全监督学习相当的性能表现。

Jul, 2021

本研究对 19 种不同的 DAL 方法在统一设置下进行评估，发现大多数 SAL 方法不能比随机选择获得更高的准确度，相较于纯 SAL 方法，半监督训练带来显著的性能提升，尤其是在数据丰富的情况下进行数据选择可以实现显著和一致的性能提升，建议从实践角度早期应用 SSAL，并尽可能收集更多的未标记数据以获得更好的模型性能。

Nov, 2022

提出了一种在科学计算领域中应用的深度主动学习方法，对六个基准问题进行了评估，发现现代池化型主动学习方法都存在一个敏感的超参数，被称为池比例，该方法克服了这一限制，提供了更稳健的性能。

Jan, 2022

本文提出了一种基于不确定性学习的密集神经同步定位与地图构建方法，并通过传感器不确定性估计在线框架对其进行了优化。相较于现有的神经模型，该方法在多传感器输入情况下可实现更优秀的地图构建和定位精度。

Jun, 2023

本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

Mar, 2021

提出了一种名为 LiDAL 的新型主动学习方法，通过利用 LiDAR 帧之间的帧间不确定性来进行 3D LiDAR 语义分割。代码已在链接中发布。

Nov, 2022

该研究提出了一种可扩展的、有效的决策不确定性方法，通过利用区别最大化层，通过任意大小的可训练原型学习鉴别隐藏空间，以解决深度学习在实际中应用时不确定性预测的问题，该方法在图像分类、分割和单眼深度估计任务上超过了深度集合的现有技术。

Jul, 2022

我们提出了一种后期主动学习算法，该算法将基于不确定性的采样与基于多样性的采样相结合，不仅简单易实现，而且在各种数据集上都具有出色的表现，其实际应用在实际的高空图像数据集中增加了五倍的标注效率。

Sep, 2023

本文提出了一种基于不确定性的随机框架，通过学习数据标记过程实现 RGB-D 显著性检测，通过引入一个潜在变量来建模标记变化，包括一个生成器模型和一个推理模型，并采用条件变分自动编码器和交替反向传播技术来推断潜在变量。在六个挑战性的 RGB-D 基准数据集上，实验表明我们的方法在学习显著性图分布方面具有优异性能。

Sep, 2020

提出了一种简单且可扩展的主动学习方法，以在学生 - 教师方式下训练替代模型，以取代使用贝叶斯框架对基于深度神经网络（DNN）的替代模型进行复杂的训练过程，从而利用深度学习的优秀能力来减少计算复杂度，在实践中验证了该方法具有可行性并可用于多个工程设计领域。

Nov, 2022