图像语义分割技术是计算机视觉领域中的一项重要的研究内容,在无人驾驶、医学影像、场景理解等领域中都有着不可或缺的作用。近几年随着深度学习的飞速发展,图像语义分割技术的整体性能得到了巨大提升,但深度学习模型对于大规模高精度数据集的依赖也成为了很多算法在泛化性和鲁棒性上的主要瓶颈。高精度的语义标注需要大量的人力和时间成本,如何在短时间内实现准确的数据标注,是图像语义分割技术面临的主要挑战之一。针对这一问题,本文设计了三种基于主动式学习的图像语义分割技术,通过主动式学习引导模型识别泛化数据中代表性样本,进而通过提升整体数据标注的效率和准确率。主动式学习可以实现有效的数据筛选,在减少数据制作工作量的同时,保证数据高质量的全景及局部域语义标注。首先,本文设计了一种基于全景信息的主动式语义分割网络。利用语义分割网络的编码器提取图像的全景信息,并通过设计的拟合网络将全景信息融合,最终输出未标注图像的损失值,根据损失值的大小来进行数据筛选。该方法直接作用于图像层面,将分割网络和拟合损失网络联合训练,利用图像的全景信息筛选数据,快速提升网络的分割性能。随后,考虑到图像中类别信息分布不均匀的特点,设计了一种基于局部域信息的主动式语义分割网络。通过计算图像投票熵,并经过设计的高斯核注意模块来提取特征。该模块既能保证像素信息不丢失且不失真,又可以更加关注区域中心的特征值。经过模块后得到的特征图中的像素点动态考虑了邻域像素对中心像素的权值影响,最终以像素点为中心选取区域并进行标注。该方法利用了图像的局部域信息和类别不均匀的特性,进一步减少了网络对数据的依赖。最后,考虑到主动式学习算法在实际数据集标注过程中需要人机交互的特点,设计了基于全景与局部域融合的语义分割级联网络。通过全景和区域的主动式学习方法结合,既保证了网络的分割性能,减少了训练数据量的需求,又降低了区域选择算法的筛选时长。