YuChuang1205/PAL

项目：PAL — 用于红外小目标检测的渐进式主动学习

它是什么： PAL 是一个开源框架，仅使用单点监督即可检测红外小目标（热成像中微小、暗淡的物体）——这意味着每个目标只需点击一次（一个点）即可标注，而无需完整的详细轮廓。该项目已被 ICCV 2025 录用，并提供了代码、数据集和一种新的训练方法。

核心思想： PAL 没有平等地对所有样本进行训练，而是采用了渐进式主动学习方法。模型首先从简单的样本中学习，然后逐渐转向更难的样本，以适应其当前的能力。这模仿了生物的学习方式——从简单开始，逐步积累。其目标是在远少于全监督（每个像素都被标注）标注工作量的情况下，实现接近全监督的性能。

项目包含内容：

• 多种检测网络： 集成了超过 18 种现有的红外小目标检测模型（例如 ACM, DNANet, UIUNet, MSDA-Net），可直接使用。
• 多个数据集： 支持四个公共数据集：SIRST, NUDT-SIRST, IRSTD-1k 和 SIRST3。
• 三种标签格式： 全监督（密集掩码）、粗略单点（目标上的某个点）和质心单点（目标中心的一个点）。
• 轻松切换： 只需修改训练脚本中的一个参数，即可更改网络、数据集或标签类型。
• 预处理数据集： 作者提供了带有点标签的即用型数据集，因此您无需自己生成。

如何使用：

1. 下载提供的数据集并将其解压到项目文件夹中。
2. 创建一个 Python 3.8 Anaconda 环境并安装所需的包（torch, segmentation_models_pytorch 等）。
3. 运行 train_model.py 来训练模型（默认设置使用 MSDA-Net, SIRST3 和粗略点标签）。
4. 运行 test_model.py 来测试训练好的模型。
5. 使用评估脚本（cal_mIoU_and_nIoU.py, cal_PD_and_Fa.py）来计算性能指标。

结果： README 展示了定量结果（表格）和定性可视化（图像），比较了 PAL 与其他方法在 SIRST3 数据集和三个独立数据集上的表现。图表显示，使用 PAL 的模型实现了接近全监督的性能，并优于之前的点监督方法 (LESPS)。

社区： 作者鼓励其他人通过 pull requests 贡献自己的网络，以建立一个协作生态系统。他们还提供了一个微信群用于讨论和支持。

引用： 如果您使用此项目，请引用该论文：

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.