正向-首先最模糊：面向稀有类别交互式检索的简单主动学习准则

现实世界的细粒度视觉检索往往需要从大量无标签数据中以最小监督发现稀有概念。这在生物多样性监测、生态研究和长尾视觉领域尤为关键，因为目标可能仅占数据量的一小部分，形成高度不平衡的二分类问题。具有相关反馈的交互式检索提供了实用解决方案：从小查询开始，系统选择用于二元用户标注的候选对象并迭代细化轻量级分类器。虽然常用主动学习（AL）用于指导选择，但常规 AL 假设类别先验对称且标注预算充足，在不平衡、低预算、低延迟设置下效果受限。我们提出正向-首先最模糊（PF-MA），一种简单而有效的 AL 准则，显式解决类别不平衡的非对称性：它优先选择靠近边界的样本，同时偏好可能的正样本，实现对细微视觉类别的快速发现，同时保持信息性。与常规方法不同，PF-MA 持续返回小批量，批次中正相关样本比例高，提高了早期检索和用户满意度。为捕获检索多样性，我们还提出一种类别覆盖度度量，用于衡量所选正样本如何涵盖目标类别的视觉变异性。在包括细粒度植物数据在内的长尾数据集上进行实验，结果表明 PF-MA 在覆盖度和分类器性能方面均优于强大的基线方法，无论类别大小和特征描述符如何变化。我们的结果表明，将 AL 与交互式细粒度检索的非对称性和以用户为中心的目标相一致，能够实现简单而强大的解决方案，用于在真实人机循环环境中检索稀有且视觉细微的类别。