Active learning的核心是选择most informative的sample，这个策略是有创新型的 （https://github.com/neuropoly/deep-active-learning）
Authors
M´elanie Lubrano di Scandalea, Christian S. Perone, Mathieu Boudreau, Julien Cohen-Adad
Motivation
groundtruth获取太tedious，需要expert的大量手工标注在现实场景中，medical的数据量是比较小的
难点
uncertainty sample的选择标注并不是那么的有效有一些研究用 similarity去衡量，选择新的sample
Novelty
使用了Monte-Carlo Dropout方法（也即在prediction的时候，同样激活dropout），在测试网络的时候去选择uncertainty sample
Network
