【儀表網(wǎng) 研發(fā)快訊】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(guān)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(lǐng)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(wù)，尤其在遙感目標關(guān)系分析任務(wù)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(jié)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(wù)：遙感關(guān)鍵標關(guān)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(wù)，包括場景分類、指定對象分類、圖像描述、關(guān)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(wù)推理
 

　　EarthMarker的總體架構(gòu)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(shè)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(gòu)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(yīng)用潛力。
 

圖3 EarthMarker總體架構(gòu)