CEAL：用于深度图像分类的高性价比主动学习.
高性价比主动学习(Cost-Effective Active Learning, CEAL)是一种结合主动学习和自监督学习的学习框架，旨在通过有限的标注样本增强分类网络的性能。该方法不仅选择低预测置信度(高不确定性)的样本进行人工标注，还选择高置信度样本进行特征学习。
CEAL的流程包括两个并行的操作：
- 通过主动学习选择具有高不确定性的样本，人工进行标注；
- 选择具有较高预测置信度的样本并为它们指定伪标签。
预测置信度是通过预测熵来衡量的，指定熵低于阈值$\delta$的样本为高置信度样本；随着训练轮数增大，模型的表现变好，阈值$\delta$逐渐降低。
作者展示了从不同数据集中采样的图像：
作者报告了不同方法的性能比较：
