北理工團隊研發(fā)出首個視覺提示遙感多模態(tài)大模型
發(fā)布日期：2025-01-17 供稿：前沿交叉科學院 攝影：前沿交叉科學院
編輯：楊婧 審核：陳棋 閱讀次數(shù)：
2025年1月，北京理工大學前沿交叉科學院數(shù)據(jù)流體團隊研發(fā)出首個視覺提示遙感多模態(tài)大模型，相關成果以“EarthMarker: A Visual Prompting Multi-modal Large Language Model for Remote Sensing”為題，發(fā)表在國際頂級期刊《IEEE Transactions on Geoscience and Remote Sensing (TGRS)》。
EarthMarker為遙感通用大模型EarthGPT的延續(xù)，首次實現(xiàn)了遙感領域中基于視覺提示的多模態(tài)大模型，支持多粒度的視覺提示和自然語言聯(lián)合提示，實現(xiàn)了多粒度解譯遙感圖像，并可靈活切換遙感圖像解譯粒度，如圖像、區(qū)域和點粒度。此外，本文提出了首個遙感視覺提示大規(guī)模多模態(tài)數(shù)據(jù)集，包含約365萬多模態(tài){圖像-點-文本}和{圖像-區(qū)域-文本}配對數(shù)據(jù)，數(shù)據(jù)集已全部開源。
EarthMarker可完成復雜視覺推理任務，尤其在遙感目標關系分析任務中性能超越GPT-4V。如圖1所示，EarthMarker展示出驚人的分析能力：其首先總結了視覺提示所標識區(qū)域分別為機場環(huán)境中的不同要素, 接著對相同類別的區(qū)域進行了聚類分析，并推理出這些標注區(qū)域在機場環(huán)境中的不同功能。
圖1 EarthMarker完成復雜推理任務：遙感關鍵標關系分析（黃色高亮部分表示錯誤）
綜合來講，EarthMarker具備多才多藝的能力。如圖2所示，EarthMarker可實現(xiàn)多粒度（如圖像級、區(qū)域級和點級）遙感圖像解譯，擅長于各種視覺任務，包括場景分類、指定對象分類、圖像描述、關系分析等。
圖2 EarthMarker具備多粒度遙感圖像解譯能力，可實現(xiàn)多任務推理
EarthMarker的總體架構如圖3所示，提出了一種共享視覺編碼機制，以增強視覺提示、整體圖像和文本指令之間的交互理解。此外，文中設計了跨域三階段學習策略，使得EarthMarker具備了空間感知和聯(lián)合指令跟隨能力。該研究貢獻了視覺和語言聯(lián)合提示多模態(tài)理解框架，并構建遙感多模態(tài)聯(lián)合提示指令數(shù)據(jù)集，展示出了極大的應用潛力。
圖3 EarthMarker總體架構
EarthMarker更多信息詳見：
論文鏈接：https://ieeexplore.ieee.org/document/10817639
開源鏈接：https://github.com/wivizhang/EarthMarker
同系列模型：
EarthGPT：國內(nèi)首個遙感大模型，100萬圖文指令數(shù)據(jù)集已全部開源！
論文鏈接：https://ieeexplore.ieee.org/document/10547418
開源鏈接：https://github.com/wivizhang/EarthGPT
Popeye：首個海洋船舶視覺語言模型
論文鏈接：https://ieeexplore.ieee.org/document/10738390
分享到：