Wir stellen einen hyperbolischen neuronalen Netzwerkansatz für pixelgenaue aktive Lernverfahren zur semantischen Segmentierung vor. Die Analyse der Datensatzauswertung führt zu einer neuen Interpretation des hyperbolischen Radius als Indikator für Datenknappheit. In HALO (Hyperbolic Active Learning Optimization) schlagen wir erstmals die Verwendung der epistemischen Unsicherheit als Datenerhebungsstrategie vor, basierend auf der Intuition, Datenpunkte auszuwählen, die am wenigsten bekannt sind. Der hyperbolische Radius, ergänzt durch die weit verbreitete Vorhersage-Entropie, approximiert effektiv die epistemische Unsicherheit. Wir führen eine umfassende experimentelle Analyse auf Basis zweier etablierter synthetisch-zu-realem Benchmark-Datenbanken durch, nämlich GTAV → Cityscapes und SYNTHIA → Cityscapes. Zudem testen wir HALO auf Cityscapes → ACDC im Kontext der Domänenanpassung unter ungünstigen Wetterbedingungen und benchmarken sowohl konvolutionale als auch auf Aufmerksamkeit basierende Backbone-Architekturen. HALO erreicht eine neue State-of-the-Art-Leistung im aktiven Lernen für semantische Segmentierung unter Domänenverschiebung und ist der erste Ansatz im aktiven Lernen, der die Leistung von überwachten Domänenanpassungsverfahren bei Verwendung lediglich eines geringen Anteils an Labels (d. h. 1 %) übertrifft.