YuChuang1205/PAL

프로젝트: PAL — 적외선 소형 표적 탐지를 위한 점진적 능동 학습

개요: PAL은 단일 포인트 감독만을 사용하여 적외선 소형 표적(열화상 이미지 내의 작고 희미한 물체)을 탐지하기 위한 오픈 소스 프레임워크입니다. 이는 전체적인 상세 윤곽선을 그리는 대신 각 표적을 클릭 한 번(점)으로 라벨링함을 의미합니다. 이 프로젝트는 ICCV 2025에 채택되었으며 코드, 데이터셋 및 새로운 학습 방법을 제공합니다.

핵심 아이디어: PAL은 모든 샘플을 동일하게 학습시키는 대신 점진적 능동 학습 접근 방식을 사용합니다. 모델은 먼저 쉬운 예제부터 학습한 다음 점차 어려운 예제로 이동하며 현재의 능력에 적응합니다. 이는 생명체가 단순한 것부터 시작하여 점진적으로 쌓아가는 학습 방식을 모방한 것입니다. 목표는 훨씬 적은 라벨링 노력으로 전체 감독(모든 픽셀이 라벨링됨)에 가까운 성능을 달성하는 것입니다.

프로젝트 포함 내용:

• 다양한 탐지 네트워크: 18개 이상의 기존 적외선 소형 표적 탐지 모델(예: ACM, DNANet, UIUNet, MSDA-Net)이 통합되어 바로 사용할 수 있습니다.
• 다중 데이터셋: 4개의 공개 데이터셋(SIRST, NUDT-SIRST, IRSTD-1k, SIRST3)을 지원합니다.
• 3가지 라벨 형식: 전체 감독(밀집 마스크), 거친 단일 포인트(표적 위의 임의의 점), 중심 단일 포인트(표적 중심의 점).
• 쉬운 전환: 학습 스크립트에서 매개변수 하나만 수정하면 네트워크, 데이터셋 또는 라벨 유형을 변경할 수 있습니다.
• 전처리된 데이터셋: 저자들이 포인트 라벨이 포함된 즉시 사용 가능한 데이터셋을 제공하므로 직접 생성할 필요가 없습니다.

사용 방법:

1. 제공된 데이터셋을 다운로드하여 프로젝트 폴더에 압축을 풉니다.
2. Python 3.8 Anaconda 환경을 생성하고 필요한 패키지(torch, segmentation_models_pytorch 등)를 설치합니다.
3. train_model.py를 실행하여 모델을 학습시킵니다(기본 설정은 MSDA-Net, SIRST3 및 거친 포인트 라벨 사용).
4. test_model.py를 실행하여 학습된 모델을 테스트합니다.
5. 평가 스크립트(cal_mIoU_and_nIoU.py, cal_PD_and_Fa.py)를 사용하여 성능 지표를 계산합니다.

결과: README에는 SIRST3 데이터셋 및 3개의 개별 데이터셋에서 PAL을 다른 방법들과 비교한 정량적 결과(표)와 정성적 시각화(이미지)가 나와 있습니다. 그림은 PAL을 사용하는 모델이 전체 감독에 가까운 성능을 달성하며, 이전의 포인트 감독 방법(LESPS)보다 우수한 성능을 보임을 나타냅니다.

커뮤니티: 저자들은 협력적인 생태계를 구축하기 위해 pull request를 통해 자신의 네트워크를 기여하도록 장려합니다. 또한 토론 및 지원을 위한 WeChat 그룹도 제공합니다.

인용: 이 프로젝트를 사용하는 경우 다음 논문을 인용하십시오:

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.