本研究提出Finer-CAM方法，旨在解决现有类激活图在区分相似细粒度类别时的不足。Finer-CAM通过比较目标类与相似类的差异，有效抑制共享特征，突出目标类的独特细节。研究表明，Finer-CAM在mask顶端激活像素时，相对置信度显著降低，展示了其在视觉解释中的潜力。

该研究提出了一种基于差异的主动学习方法，有效缩小类激活图与真实结果之间的差距。在WCE数据集评估中，该方法在仅标记10%训练数据的情况下，性能优于现有主动学习方法。此外，研究开发了基于视频胶囊内窥镜图像的出血区域分割策略，减少了对大量标注数据的依赖。

该研究提出了一种新的基于差异的主动学习方法，通过减小类激活图与真实结果之间的差距来提高性能。使用WCE数据集评估，结果表明该方法优于最先进的主动学习方法，并且在只标记了10%的训练数据的情况下达到与完全标记数据集训练的方法相当的性能。