标注量降至10%
通过双视角高置信伪训练和分歧感知不确定性选择，从少量标注中挑出最有信息量的病理图像样本，大幅降低标注成本。
Zhong, Lanfeng · 钱昆 · Liao, Xin · Yang, Liu · 张少霆 · 王国泰
Medical Image Analysis 2025
挑选最有信息量且具代表性的样本标注，避免了随机标注造成的浪费。
每轮训练同时利用已标注和未标注图像，通过双视图高置信伪训练增强模型。
紧凑选择器移除已选样本中的冗余，确保每份标注预算都花在刀刃上。
在三个公开病理图像数据集上验证，显著超越多种最先进主动学习方法。