域偏移下基于双曲主动学习的语义分割

我们提出了一种基于双曲神经网络的像素级主动学习方法，用于语义分割任务。通过对数据统计特性的分析，我们首次将双曲半径解释为数据稀缺性的指示器。在HALO（Hyperbolic Active Learning Optimization）框架中，我们首次引入认知不确定性（epistemic uncertainty）作为数据获取策略，其核心思想是选择那些最不被了解的数据点。结合广泛采用的预测熵，双曲半径能够有效近似认知不确定性。我们在两个成熟的合成到真实域迁移基准上进行了广泛的实验验证，分别为GTAV → Cityscapes 和 SYNTHIA → Cityscapes。此外，我们还将HALO应用于Cityscapes → ACDC场景，以评估其在恶劣天气条件下的域自适应性能，并对比了卷积型与基于注意力机制的多种骨干网络。实验结果表明，HALO在域偏移条件下的语义分割主动学习任务中达到了新的最先进水平，且是首个在仅使用极少量标注数据（仅1%）的情况下，性能超越监督式域自适应方法的主动学习框架。