Grounding - Tag - 堂堂一跑堂https://spacetop.win/tags/grounding/Grounding - 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 +0800GeoChat：首个遥感领域Grounded视觉语言大模型，让卫星图像对话更智能https://spacetop.win/2026/06/20260601_120000_geochat_vlm/Mon, 01 Jun 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/06/20260601_120000_geochat_vlm/ GeoChat：首个遥感领域Grounded视觉语言大模型，让卫星图像对话更智能

论文解读 | CVPR 2024 | 2026-06-01

📄 论文信息

项目 内容
标题 GeoChat: Grounded Large Vision-Language Model for Remote Sensing
作者 Kartik Kuckreja, Muhammad Sohail Danish, Muzammal Naseer, Abduljabbar Al-Khateri, Shoaib Jameel, Lars Petersson, Salman Khan, Fahad Shahbaz Khan
会议 CVPR 2024
arXiv https://arxiv.org/abs/2311.15826
GitHub https://github.com/mbzuai-oryx/GeoChat
关键词 遥感、视觉语言模型、Grounding、多任务学习、区域级推理

🎯 解决的核心问题

遥感图像分析是地球观测的核心任务，传统方法通常针对单一任务（如分类、检测、分割）设计专用模型。随着大型视觉语言模型（VLM）在通用领域的成功，研究者开始探索将其应用于遥感领域。

然而，现有方法面临三个关键挑战：

  1. 领域适配问题：通用VLM（如GPT-4V）在遥感场景下表现不佳，容易产生不准确或虚构的信息
  2. 缺乏区域级推理：现有遥感VLM主要支持图像级任务，无法对特定区域进行细粒度分析
  3. 多任务统一困难：不同遥感任务（分类、检测、描述等）通常需要独立模型，缺乏统一框架
方法 局限性
通用VLM（GPT-4V等） 缺乏遥感领域知识，对卫星图像理解能力有限
遥感专用模型 仅支持单一任务，无法进行多轮对话
现有遥感VLM 仅支持图像级推理，缺乏区域级grounding能力

如何构建一个既能理解遥感图像全局语义，又能对特定区域进行细粒度推理的统一视觉语言模型？

💡 解决方案

设计动机：遥感领域缺乏大规模多模态指令调优数据集，直接使用通用数据集会导致领域偏移。

具体实现：

  • 整合多个现有遥感数据集（LRBEN、NWPU-RESISC-45、SAMRS等）
  • 利用Vicuna-v1.5和自动化管道生成318k指令数据
  • 设计统一的图像-文本对格式，支持多种任务类型

关键细节：

]]>