YuChuang1205/PAL

解決的問題

本專案解決了在缺乏高品質全像素標註的情況下，紅外線小目標檢測（SIRST）所面臨的挑戰。特別聚焦於僅使用單點標註（粗略點或中心點）來訓練有效的檢測模型，這種標註方式比完整掩碼容易得多，但通常會導致性能下降。

工作原理

PAL 實現了一種基於「由易到難」學習理念的漸進式主動學習框架。與對所有訓練樣本一視同仁不同，該系統會根據當前模型的能力，逐步識別並優先學習較難的樣本。這使得網路能夠透過主動識別和適應更複雜的目標，持續提升性能。

適用對象

該框架專為從事紅外線目標檢測、監控或國防領域的電腦視覺研究人員與工程師設計，也適用於希望在標註預算有限的情況下實現 SIRST 模型的使用者。

主要亮點

• 廣泛的模型支援：將超過十種現有的 SIRST 檢測網路（如 MSDA-Net、ISNet、DNANet）整合至一個統一框架中。
• 靈活的監督方式：支援三種標籤形式：全監督、粗略單點監督和中心點單點監督。
• 資料集相容性：支援多個標準資料集，包括 SIRST、NUDT-SIRST、IRSTD-1k 和 SIRST3。
• 易於設定：透過修改訓練腳本中的單一參數，即可在不同網路、資料集和標籤形式之間切換。