我们提出了一种基于不确定性引导的分层自训练框架，通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波，在交叉中心前列腺MRI分割数据集上取得显著进展，与全监督学习相当。

本文提出了一种多样性感知和类别平衡的缓冲区，用于模拟非独立同分布的数据流，并结合多样性和熵加权熵损失，在 ImageNet 上实现了对各种破坏和自然领域偏移的稳定适应，并取得了最新的研究进展。