本文研究了在自动驾驶数据集中采用主动学习策略的有效性，通过信息熵查询选择信息丰富的样本，降低注释成本并提高模型性能。实验结果表明，信息熵查询优于随机抽样，特别适用于减少多数类和少数类之间的性能差距。研究强调了在有限数据预算下，选择多样性和信息丰富的数据进行模型训练的重要性。信息熵查询是一种有前途的策略，可以在资源受限的环境中选择增强模型学习的数据。

该研究提出了一种平衡模型性能和注释成本的方法，通过使用与当前训练数据集中的对象和行为最不相似的国家的图像来识别待注释的数据。研究结果表明，使用这些国家的数据来补充训练数据可以提高模型性能并降低注释成本。

本文介绍了在自动驾驶数据集中使用主动学习策略来解决数据不平衡、冗余和高维数据的挑战。通过使用信息熵查询来选择信息丰富的样本，可以降低注释成本并提高模型性能。实验结果表明，在大多数情况下，信息熵查询的效果优于随机抽样，特别是在减少多数类和少数类之间的性能差距方面。该方法还强调了在有限数据预算下，选择多样性和信息丰富的数据进行模型训练的重要性。因此，信息熵查询是一种有前途的策略，可以在资源受限的环境中选择增强模型学习的数据。

在自动驾驶数据集中，主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。信息熵查询降低注释成本，提高模型性能。在nuScenes数据集上实验表明，信息熵查询在大多数案例中表现优异，特别是在减少多数类和少数类之间的性能差距方面。类别特定的分析揭示了有效配置注释资源的重要性。发现表明，在资源受限的环境中，信息熵查询是一种有前途的策略。

通过连续平滑的运动改进了准确性、效率和注释成本。通过预测对象位置、减少特征计算和注释关键帧，提高了计算效率、注释效率和均值平均精度。该研究在四个数据集上进行了实验，并提供了源代码。