YuChuang1205/PAL

解决的问题

本项目解决了在缺乏高质量全像素标注的情况下，红外小目标检测（SIRST）所面临的挑战。它特别聚焦于仅使用单点标注（粗略点或中心点）来训练有效的检测模型，这种标注方式比完整掩码容易得多，但通常会导致性能下降。

工作原理

PAL 实现了一种基于「由易到难」学习理念的渐进式主动学习框架。与对所有训练样本一视同仁不同，该系统会根据当前模型的能力，逐步识别并优先学习更难的样本。这使得网络能够通过主动识别和适应更复杂的靶标，持续提升性能。

适用人群

该框架专为从事红外目标检测、监控或国防领域的计算机视觉研究者和工程师设计，也适用于希望在标注预算有限的情况下实现 SIRST 模型的用户。

主要亮点

• 广泛的模型支持：将超过十种现有的 SIRST 检测网络（如 MSDA-Net、ISNet、DNANet）集成到一个统一框架中。
• 灵活的监督方式：支持三种标签形式：全监督、粗略单点监督和中心点单点监督。
• 数据集兼容性：支持多个标准数据集，包括 SIRST、NUDT-SIRST、IRSTD-1k 和 SIRST3。
• 易于配置：通过修改训练脚本中的一个参数，即可在不同网络、数据集和标签形式之间切换。