不确定性原型主动学习算法

少标注达高精度

结合多原型锚定与熵加权，在跨域分割中用更少标注样本取得更可靠的伪标签与更高精度。

董子昊 · 牛四杰 · 高希占 · 李金屏 · 邵秀丽

Expert Systems with Applications 2024

技术优势

标注更少

利用预测熵选择信息量最大的样本，只需标注一小部分目标域数据即可达到接近全监督的性能。

伪标签更准

用多个原型锚点对目标域分布建模，在线聚类为像素分配更准确的伪标签，避免偏向多数类。

无需额外全局信息

仅依赖原型和熵，无需从源域迁移复杂的全局上下文模块，简化了网络设计。

应用场景

• 语义分割：提供跨域分割的可迁移模型，减少新场景像素级标注需求。
• 主动学习：作为主动学习在分割任务中的新实现，能高效挑选待标注样本。
• 自动驾驶感知：在合成到真实驾驶场景的适应中，以更少标注取得高精度分割。
• 医学图像分析：减少医学影像分割中昂贵的专家标注，同时保持诊断级精度。