从易到难：面向红外小目标检测的渐进式主动学习框架（单点监督）
计算机视觉与模式识别
2025-12-23 v3
摘要
最近，单帧红外小目标（SIRST）检测于单点监督条件下引发广泛关注。然而，最新的单点监督标签演化（LESPS）框架存在标签不稳定、标签演化过度以及难以发挥嵌入网络性能等问题。灵感来源于生物体逐渐适应环境并持续积累知识，我们构建了创新的渐进式主动学习（PAL）框架，通过驱动现有SIRST检测网络逐渐主动识别和学习更难的样本。具体而言，为避免早期低性能模型导致错误选择难样本，我们提出了模型预启动概念，专注于自动选择一部分易样本，帮助模型获得基本的任务特定学习能力。同时，我们提出了精细双更新策略，以促进对更难样本的合理学习和伪标签的持续细化。此外，为缓解标签演化过度风险，引入了合理的衰减因子，帮助在目标标注的扩张与收缩之间实现动态平衡。大量实验表明，配合我们的PAL框架，现有SIRST检测网络在多个公开数据集上实现了最先进（SOTA）结果。进一步地，我们的PAL框架可在完全监督和单点监督任务之间构建一个高效且稳定的桥梁。我们的代码已公开于 https://github.com/YuChuang1205/PAL。
引用
@article{arxiv.2412.11154,
title = {From Easy to Hard: Progressive Active Learning Framework for Infrared Small Target Detection with Single Point Supervision},
author = {Chuang Yu and Jinmiao Zhao and Yunpeng Liu and Sicheng Zhao and Yimian Dai and Xiangyu Yue},
journal= {arXiv preprint arXiv:2412.11154},
year = {2025}
}
备注
Accepted by ICCV 2025