保持流形的深度主动学习轨迹采样
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了现有深度主动学习方法中由于标记数据偏差导致的无标记数据选择不当的问题。提出的保持流形的轨迹采样方法旨在通过优化特征空间来更准确地表示流形，从而有效减少标记数据带来的偏倚。实验结果表明，该方法在视觉和非视觉数据集上表现出色，具有重要的实际应用潜力。
研究探讨在自动驾驶中通过轨迹和动态状态信息进行高效数据筛选的方法。通过轨迹状态聚类和采样，降低注释和数据成本，同时保持模型性能。使用nuScenes数据集验证该方法在轨迹预测任务中的有效性，尤其在数据池较小时表现出色。结果显示，初期采样典型数据有助于解决“冷启动问题”，而随着数据池增大，引入新颖性更有益。该策略提升了自动驾驶系统的效率和稳健性。
