框架名称 应用场景 策略 代码
CEAL 深度图像分类问题 CEAL是第一个结合AL与DL解决深度图像分类问题的工作之一。CEAL将深度卷积神经网络合并到AL中，提出了一个新颖的DAL框架。它通过将来自未标注数据集中的样本逐步送入CNN，由CNN分类器输出两种类别的样本：少量不确定性的样本和大量高预测置信度样本。通过orcal为少量不确定性样本进行标注，同时使用CNN分类器为大量的高预测置信度样本自动分配伪标签。然后，使用这两种类型的样本对CNN进行微调，并重复这个更新过程。在Fig2中，我们展示了CEAL的总体框架图。类似的，HDAL也采用了类似的框架用于人脸识别任务中，它将AL与深度CNN模型进行结合从而一体化的同时考虑特征学习和AL查询模型的训练。
HDAL 人脸识别任务 将AL与深度CNN模型进行结合从而一体化的同时考虑特征学习和AL查询模型的训练
【243】 医学图像分割问题 提出使用全卷积网络和AL进行结合的框架来解决使用少量标注进行医学图像分割的问题。它首先将FCN在少量的标注数据集上进行训练，然后将未标注数据集中的样本通过FCN进行特征提取，并使用这些特征来对未标注样本进行不确定性和相似度估计。这种类似于2.1.2中的策略有助于选择具有高度不确定性和多样化的样本被添加到标注数据集中，从而开始下一阶段的训练。
【56】 掌纹识别任务 受到域适应的启发，将AL视为一个二分类任务，期待标注样本集与未标注样本集拥有相同的数据分布并使得二者难以区分，这样就可以直接在少量的标注数据集上进行监督训练了，从而减轻标注负担。
MetaQNN【140】 缺陷检测 基于检测模型的输出特征执行不确定性抽样，以生成用于注释的候选样本列表；设计了一种平均裕度方法来控制每个缺陷类别的抽样比
LLAL[245] 图像分类、目标检测和人体姿态估计 设计了一个损耗预测模块的小型参数模块附加到目标网络，使用目标网络的多个隐藏层的输出作为损耗预测模块的输入。通过学习损耗预测模块来预测未标记数据集的目标损耗，并以top-k的策略选择查询样本。LLAL以较小的参数代价实现了与任务无关的AL框架设计，并在多种主流的视觉任务（即，图像分类、目标检测和人体姿态估计）上都取得了有竞争力的性能表现。
[17] 手指骨分割任务 将Deeply Supervised U-Net作为分割网络，然后将多级分割隐藏层的输出以及最后一层的输出作为AL的输入，综合这些输入信息作为样本信息量大小的评估依据。
AL-MV[16] 将来自CNN中间不同隐藏层的特征视为多视图数据，同时考虑两个阶段的不确定性，并设计了AL-MV算法来实现对各层的不确定性进行自适应加权，从而更加准确的测量样本的不确定性。
[100] 视频任务 提出使用模仿学习来执行导航任务。教师从第一人称角度看待的视觉环境和所采取的行动被用作训练集。通过培训，希望学生们能够在自己的环境中预测和执行相应的行动。学生在执行任务时，使用深度cnn进行特征提取，学习模仿策略，并进一步使用AL方法选择置信度不足的样本，并将其添加到训练集中，更新动作策略。