本研究提出了一种主动学习方法，并通过限制注释费用来确定适当的样本粒度进行主动选择，结果表明基于超点的样本选择比点级和实例级选择使用有限预算更有效，并进一步利用本地一致性约束来提高超点选择方法的性能，在 ShapeNet 和 S3DIS 两个基准数据集上评估了我们的方法，结果表明主动学习是解决语义点云分割中高注释成本的有效策略。
Jan, 2021
通过引入预测准确率来定义不确定性，我们提出了一种高效的基于预测准确率的主动学习方法（PAAL）用于医学图像分割，在保证采集样本的不确定性和多样性的同时，显著降低了大约 50% 到 80% 的标注成本，具有在临床应用中的重要潜力。
May, 2024
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
本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。
Jul, 2020
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
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
通过开发一种分层点云主动学习策略，本文解决了使用有限注释学习 3D 点云分割的问题，通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量，并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注，在 S3DIS 和 ScanNetV2 数据集上的广泛实验表明，所提出的框架在仅使用 0.07% 和 0.1% 的训练数据时分别达到了完全监督基线的 96.5% 和 100% 的性能，优于最先进的弱监督和主动学习方法。
Aug, 2023
通过使用贝叶斯方法来降低隐式偏差并关注代表性不足的样本区域，该研究在多中心息肉分割数据集上展示了改进泛化能力的潜力，同时保持先进性能。
本研究探讨了使用 dropout 不确定性评估的 active learning 策略以降低医学 3D 成像中神经胶质瘤 MRI 图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。
Feb, 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