本研究提出了一种主动学习方法，旨在提高呼吸疾病（如慢性阻塞性肺病）数据获取和标注的效率。该方法通过智能选择样本，显著降低资源消耗，并实现与传统模型相媲美的效果，具有广泛应用潜力。

本文研究了LiDAR数据的获取与语义分割，提出了一种结合主动学习和半监督学习的新算法，以提高标注效率和性能。通过不确定性检测和边缘信息的优化，显著提升了多类别分割任务的准确率并降低了标注成本。研究表明，主动学习在农业和医学图像分割中优于随机采样，具有广泛的应用潜力。

本文研究了多种主动学习方法，包括示例距离边界的扩展方法、利用弱标注者降低成本的算法，以及在图像数据集上表现优越的语义分割方法。提出的多视角主动学习方法和目标驱动评分函数在视觉问答中表现良好，整体提高了标注效率并降低了成本。

本文研究了一种高效的多类别图像集分类标签收集策略，采用自监督学习，将标注视为半监督学习问题。实验结果表明，该方法在 ImageNet100 图像集上每张图像平均仅需 0.35 个标注，达到了 80% 的准确率，显著提高了标注效率。

本研究提出了一种主动学习方法，通过限制注释费用优化样本选择，结果表明超点选择在有限预算下更有效。结合不确定性和多样性采样的后期主动学习算法显著提高了标注效率，尤其在医学图像分割中，减少了人工标注需求。实验通过分层点云策略显示，即使在少量训练数据下也能实现高性能。