用于对象检测注释的基础辅助主动学习

遥感目标检测的标注成本较高，而现有的主动学习方法在目标检测场景中仍然面临着一些挑战，包括定位和分类不确定性的耦合、冷启动阶段严重的定位噪声以及高召回候选提案引起的伪多样性。为了解决这些问题，我们提出了一种基础模型协作主动学习和半自动注释框架，用于有效构建遥感物体检测数据集。我们构建了由基于 UPN+SAM2 的参考定位源（SA 源）和检测器预测源（OD 源）组成的双源机制，并进一步提出了基础模型增强的双源不确定性估计，通过联合建模定位一致性和分类置信度来提高冷启动阶段的样本选择质量。此外，我们提出了以对象为中心的多样性采样，它使用 DINOv2 特征和 SAM2 掩模构建对象级表示，以提高样本覆盖率，同时抑制伪多样性。为了解决半自动注释阶段的几何噪声，我们设计了双源框切换，用来自 SA 源的匹配精化框替换噪声检测器框，从而减轻了框细化的手动负担。在 DIOR、HRSC2016、DOTAv2 和 FAIR1M 上的实验表明，我们的方法在大多数注释预算下取得了优异或可比的结果，并且在低预算情况下具有明显更强的冷启动样本效率。