رغم التقدم الكبير في التعلم النشط للاعتراف بالصور، لا يزال ينقصه طريقة تعلم نشط على مستوى الحالة محددة لكشف الأشياء. في هذا البحث، نقترح طريقة كشف الأشياء النشطة باستخدام حالات متعددة (MI-AOD)، والتي تختار الصور الأكثر إفادة لتدريب الكاشف من خلال مراقبة عدم اليقين على مستوى الحالة. تعريفًا، يحدد MI-AOD وحدة تعلم عدم اليقين للحالة، التي تستفيد من الاختلاف بين تصنيفين معاديين للحالات تم تدريبهما على مجموعة البيانات المصنفة لتوقع عدم اليقين للحالة لمجموعة البيانات غير المصنفة. يعتبر MI-AOD الصور غير المصنفة كأكياس للحالات ويتعامل مع النقاط المميزة في الصور كحالات، ويقدر عدم اليقين للصورة بإعادة وزن الحالات بطريقة التعلم النشط باستخدام حالات متعددة (MIL). يساعد التعلم المتكرر لعدم اليقين للحالة وإعادة الوزن في قمع الحالات الضوضائية، مما يساهم في تقليص الفجوة بين عدم اليقين للحالة وعدم اليقين على مستوى الصورة. تؤكد التجارب أن MI-AOD يوفر أساسًا صلبًا للتعلم النشط على مستوى الحالة. وعلى مجموعات البيانات الشائعة لكشف الأشياء، فإن MI-AOD يتخطى الطرق الرائدة بهامش كبير، خاصة عندما تكون مجموعات البيانات المصنفة صغيرة. يمكن الحصول على الكود من الرابط https://github.com/yuantn/MI-AOD.