基于上下文采样和一对其余熵的主动学习用于语义分割

提出了一种基于视点一致性的主动学习策略 ViewAL，采用新的视点熵公式评估模型不确定性，降低注释成本。

MetaBox+方法通过元回归模型训练估计未标注图像的交集联合，减少注释工作量，提升mIoU。

引入主动边界损失函数，改善语义分割效果，适用于复杂场景的图像和视频对象分割。

基于区域的主动学习方法通过新的采集策略和负学习，在域移位下实现语义分割，接近监督性能。

结合主动学习和半监督学习的新算法在语义分割任务中取得优异成果，减少标注样本数量。

MADBAL方法在像素级语义分割中显著提升性能，减轻训练负担，优于现有方法。

后期主动学习算法结合不确定性和多样性采样，提升标注效率，实际应用中增加五倍标注效率。

类别平衡动态获取（CBDA）方法改善少数类别性能，尤其在高预算情况下，超越全监督基准模型。

提出二阶段主动微调框架，通过核心样本和边界样本选择，提升模型性能，无需真实标签。

基于稀疏像素级注释的贝叶斯主动学习框架，使用平衡熵方法在最少标记像素下达到监督水平的mIoU。