基于深度学习的图像分割任务常需要大量的标记样本，以充分发挥卷积神经网络的性能。但是，海量的样本标注也会耗费大量的时间和金钱。主动学习可以查询有价值的样本进行标注，从而在保持深度模型性能的同时，尽可能减少标注成本。但是，传统的迭代式主动学习方法在真实场景中并不实用，因为它要求专家时刻准备好进行标注工作。
2022年1月31日，复旦大学数字医学研究中心宋志坚团队在Knowledge-Based Systems (IF=8.308)上发表了名为One-shot Active Learning for Image Segmentation via Contrastive Learning and Diversity-based Sampling的研究成果。此研究可以有效减少深度学习模型对标注的依赖，对缩减数据集构建成本有着积极的作用。
本文提出了基于对比自监督学习和多样性查询策略的一次性主动学习框架CA (Contrastive Annotation)，旨在无监督一次性地挑选价值样本。实验结果表明，此方法可以在相同标注预算的情况下，提升训练模型在测试集上的性能，有效减少标注代价。同时，在皮肤病灶分割、遥感图像分割以及肺部X光图像分割这三个迥然不同的分割任务上的试验结果表明，CA主动学习模型的性能达到了目前最先进的水平。同时，CA是任务无关的主动学习模型，很容易就能扩展到其他计算机视觉任务，拥有广阔的应用场景。
作者信息：复旦大学基础医学院2018级直博生靳秋野为本文的第一作者。复旦大学基础医学院宋志坚教授以及乔沁青年副研究员为通讯作者。复旦大学基础医学院为第一作者单位。