YuChuang1205/PAL

プロジェクト：PAL — 赤外線小目標検出のための漸進的アクティブラーニング

概要： PALは、単一点監督のみを使用して赤外線小目標（熱画像中の微小で暗い物体）を検出するためのオープンソースフレームワークです。これは、詳細な輪郭を描く代わりに、各ターゲットを1回のクリック（点）でラベル付けすることを意味します。このプロジェクトはICCV 2025に採択されており、コード、データセット、および新しい学習手法を提供しています。

核心的なアイデア： PALは、すべてのサンプルを均等に学習させるのではなく、漸進的アクティブラーニングアプローチを使用します。モデルはまず簡単な例から学習し、徐々に難しい例へと移行し、現在の能力に適応します。これは、生物が単純なことから始めて積み上げていく学習方法を模倣しています。目標は、全監督（すべてのピクセルがラベル付けされている）に近い性能を、はるかに少ないラベル付け作業で達成することです。

プロジェクトの内容：

• 多数の検出ネットワーク： 18以上の既存の赤外線小目標検出モデル（例：ACM, DNANet, UIUNet, MSDA-Net）が統合されており、すぐに使用可能です。
• 複数のデータセット： 4つの公開データセット（SIRST, NUDT-SIRST, IRSTD-1k, SIRST3）をサポートしています。
• 3つのラベル形式： 全監督（密なマスク）、粗い単一点（ターゲット上のどこかの点）、および重心単一点（ターゲットの中心の点）。
• 簡単な切り替え： 学習スクリプトのパラメータを1つ変更するだけで、ネットワーク、データセット、またはラベルタイプを変更できます。
• 前処理済みデータセット： 著者らは点ラベル付きのすぐに使えるデータセットを提供しているため、自分で生成する必要はありません。

使用方法：

1. 提供されたデータセットをダウンロードし、プロジェクトフォルダに解凍します。
2. Python 3.8 Anaconda環境を作成し、必要なパッケージ（torch, segmentation_models_pytorchなど）をインストールします。
3. train_model.pyを実行してモデルを学習させます（デフォルト設定ではMSDA-Net, SIRST3, 粗い点ラベルを使用）。
4. test_model.pyを実行して、学習済みモデルをテストします。
5. 評価スクリプト（cal_mIoU_and_nIoU.py, cal_PD_and_Fa.py）を使用してパフォーマンス指標を計算します。

結果： READMEには、SIRST3データセットおよび3つの個別のデータセットでPALを他の手法と比較した定量的な結果（表）と定性的な視覚化（画像）が示されています。図は、PALを使用したモデルが全監督に近い性能を達成し、以前の点監督手法 (LESPS) を上回っていることを示しています。

コミュニティ： 著者らは、協力的なエコシステムを構築するために、プルリクエストを通じて独自のネットワークを貢献することを奨励しています。また、議論やサポートのためのWeChatグループも提供しています。

引用： このプロジェクトを使用する場合は、以下の論文を引用してください：

Yu, Chuang, et al. "From easy to hard: Progressive active learning framework for infrared small target detection with single point supervision." Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2025.