【儀表網(wǎng) 研發(fā)快訊】2024年5月，北京理工大學(xué)前沿交叉學(xué)院數(shù)據(jù)流體課題組近日在遙感多模態(tài)大語言模型研究中取得重要進展，相關(guān)成果以“EarthGPT: A Universal Multi-modal Large Language Model for Multi-sensor Image Comprehension in Remote Sensing Domain”為題發(fā)表在國際頂級期刊《IEEE Transactions on Geoscience and Remote Sensing (TGRS)》上發(fā)表。北京理工大學(xué)為唯一通訊單位，北京理工大學(xué)前沿交叉學(xué)院博士張偉和雷達技術(shù)研究院博士蔡妙鑫為共同第一作者，毛雪瑞教授為通訊作者。
 

　　目前遙感領(lǐng)域視覺模型大多都遵循“一任務(wù)一架構(gòu)”的范式，使得這些專才模型無法在同一架構(gòu)下統(tǒng)一處理多模態(tài)圖像和多任務(wù)推理。最近，通用多模態(tài)大語言模型(Multi-modal Large Language Models，簡稱MLLMs)在自然圖像領(lǐng)域取得了顯著成功。然而MLLMs在遙感領(lǐng)域的發(fā)展仍處于起步階段。為填補這一空白，毛雪瑞教授團隊提出了EarthGPT遙感通才模型，將多傳感器圖像理解和多種遙感視覺任務(wù)都無縫集成在同一個框架中。EarthGPT可在自然語言指令下，實現(xiàn)光學(xué)、合成孔徑雷達(SAR)圖像和紅外圖像的理解，完成遙感場景分類、圖像描述、視覺問答、目標描述、視覺定位和目標檢測等多種任務(wù)(圖1)。
 

　　圖1 EarthGPT可通過自然語言交互的方式，完成多傳感器遙感圖像解譯和多視覺推理任務(wù)

 

　　遙感通才模型EarthGPT包括三項關(guān)鍵技術(shù)：(1)視覺增強感知機制，通過混合專家編碼器提煉視覺粗粒度語義信息和細粒度感知信息。(2)跨模態(tài)交互理解方法，基于大規(guī)模自然圖像數(shù)據(jù)集做預(yù)訓(xùn)練，賦予大語言模型基本的圖像理解能力和多輪對話能力。(3)統(tǒng)一指令微調(diào)方法，在本文構(gòu)建的遙感多模態(tài)指令數(shù)據(jù)集MMRS-1M(含100萬圖像-文本對)上做微調(diào)，實現(xiàn)遙感場景下的綜合圖像解譯能力(圖2)。
 

圖2 EarthGPT模型架構(gòu)圖
 

　　EarthGPT具備“多才多藝”的遙感視覺解譯能力和多傳感器圖像理解能力，且表現(xiàn)出了卓越的開放域推理能力。該研究貢獻了一個通用的多模態(tài)多任務(wù)推理框架和目前最大的MMRS-1M遙感多模態(tài)指令數(shù)據(jù)集，展示出了極大的工業(yè)界實際應(yīng)用的潛力。
 

　　此項工作以北京理工大學(xué)為唯一通訊單位，得到了國家自然科學(xué)基金的支持。