遥感大模型 - Tag - 堂堂一跑堂https://spacetop.win/tags/%E9%81%A5%E6%84%9F%E5%A4%A7%E6%A8%A1%E5%9E%8B/遥感大模型 - Tag - 堂堂一跑堂Hugo -- gohugo.iozh-CNkingcopper@whu.edu.cn (WangTong)kingcopper@whu.edu.cn (WangTong)Mon, 01 Jun 2026 12:00:00 +0800GeoGround：统一遥感视觉Grounding的大型视觉语言模型https://spacetop.win/2026/06/20260601_210000_geoground_unified_grounding/Mon, 01 Jun 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/06/20260601_210000_geoground_unified_grounding/ GeoGround：统一遥感视觉Grounding的大型视觉语言模型

论文解读 | arXiv 2024 | 2026-06-01

📄 论文信息

项目 内容
标题 GeoGround: A Unified Large Vision-Language Model for Remote Sensing Visual Grounding
作者 Yue Zhou et al.
会议 arXiv 2024 (v3: May 2025)
arXiv https://arxiv.org/abs/2411.11904
GitHub https://github.com/nicehuster/GeoGround
关键词 视觉Grounding、遥感大模型、多任务统一、Text-Mask技术、像素级定位

🎯 解决的核心问题

在遥感图像解译中，视觉Grounding（视觉定位）是一项关键任务：给定一句自然语言描述，模型需要在遥感图像中找到对应的目标物体。这项任务对于人机交互式遥感解译系统至关重要。

然而，遥感领域的视觉Grounding面临一个尴尬的现状：不同类型的目标需要不同的定位输出形式。

  1. 水平边界框（HBB）：只能定位物体的位置，无法描述其朝向和形状
  2. 旋转边界框（OBB）：能描述物体的朝向，但无法刻画精确轮廓
  3. 分割掩码（Mask）：能精确描述物体形状，但计算复杂度高

现有方法的困境：

  • 专用方法：针对单一任务设计，无法泛化到其他Grounding类型
  • 大型视觉语言模型（VLM）：具有强大的多任务学习能力，但难以处理像素级密集预测任务（如分割）

如何在一个统一的框架中同时支持HBB、OBB和Mask三种遥感视觉Grounding任务，并允许用户灵活选择输出类型？

💡 解决方案

设计动机： 传统方法为每种Grounding类型设计专门的模型，这不仅增加了系统复杂度，也限制了模型的泛化能力。GeoGround的目标是用一个模型支持所有Grounding类型。

具体实现： GeoGround采用标准的VLM架构（视觉编码器 + 语言解码器），但不修改VLM的核心架构。关键创新在于引入Text-Mask技术，使VLM能够优雅地支持像素级Grounding输出。

关键细节：