Focused Active Learning combines Bayesian Neural Network with Out-of-Distribution detection to estimate different uncertainties for acquisition and outperforms existing methods for prostate cancer classification.

Apr, 2024

本文提出了一种基于时间相干性的新的主动学习方法，旨在利用物体检测的检测结果来定义一个图形模型，以最小化图形模型上定义的能量函数，从而提供假阳性和假阴性的估计。同时我们还引入了一个名为 SYNTHIA-AL 的合成视频数据集来评估在道路场景中的视频物体检测中的主动学习，最后证明本方法在两个数据集上的表现优于主动学习基线。

Aug, 2019

该论文提出了一种名为 FOCAL 的新型对比学习框架，通过自监督训练从多模态时间序列感知信号中提取全面的特征。FOCAL 通过引入共享特征和私有特征的分解潜空间，以在感官模式间保留一致的特征模式并提取独占的信息以及引入时间结构约束来处理挑战。在四个多模态感知数据集上进行了广泛的评估，证明了 FOCAL 在下游任务中始终优于现有基准，并在不同标签可用比例下取得了明显的优势。

Oct, 2023

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

通过覆盖方法，基于深度主动学习的 ProbCover 算法在低预算情况下，利用表征学习和自监督学习的最新进展进行子集选择，从而最大程度地提高了覆盖概率，进而在图像识别基准测试中显示出比现有方法更好的性能，特别是在半监督设置下。

May, 2022

减少标注数量并保持算法性能，通过主动学习算法在活动数据集中进行标签审核，可以提高模型性能，尤其在与不确定性查询策略相结合时。

Sep, 2023

我们提出了一种简单而有效的半监督方法，用于训练光流预测器，并基于简单的启发式方法提出主动学习方法，以进一步减少实现相同目标准确度所需的标签数量。实验结果表明，我们的半监督网络通常只需要大约 50% 的标签即可实现接近完整标签精度，并且在 Sintel 上只需要约 20% 的标签。

Mar, 2022

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

本论文提出了一种上下文感知图像注释框架（CAIAF），利用图像元数据作为相似性度量将图像聚类成组进行注释，并在注释界面上为每张图像提供有用的元数据信息作为上下文，实验结果表明它相对于传统框架减少了注释成本，同时保持了高分类性能。

Feb, 2020

利用主观自然语言处理任务进行准确的人类判断的关键是在注释过程中纳入广泛的视角。引入了注释者中心主动学习策略 (ACAL)，结合数据采样和注释者选择策略，旨在高效地近似获取人类判断的全面多样性，并使用注释者中心度量评估模型性能。对于七个主观自然语言处理任务进行了多种注释者选择策略的实验，同时采用了传统和新颖的以人为中心的评估指标。结果表明，ACAL 提高了数据效率并在注释者中心度量评估中表现出色，但其成功仍取决于足够大而多样的注释者样本池的可用性。

Apr, 2024