多模态遥感基础大模型：研究现状与未来展望

张永军, 李彦胜, 党博, 武康, 郭昕, 王剑, 陈景东, 杨铭

Multi-modal remote sensing large foundation models: current research status and future prospect

Yongjun ZHANG, Yansheng LI, Bo DANG, Kang WU, Xin GUO, Jian WANG, Jingdong CHEN, Ming YANG

表2 大规模遥感视觉-语言预训练数据集

Tab.2 Large-scale remote sensing vision-language pre-training datasets

数据集 数量 属性 RSICD[30] 24 333个文本描述、10 921张遥感影像 图像-文本描述 RSITMD[31] 23 715个文本描述、4743张遥感影像 图像-文本描述 RSVGD[32] 38 320个语言表达、17 402张遥感影像 视觉定位 RS5M[33] 500万个图像文本对 图像-文本描述 RSICap[34] 2585个图像文本对 图像-文本描述 文献[35] 828 725个图像文本对 图像-文本描述 文献[36] 318 000个图像指令提示对 图像-文本描述、定位描述、区域描述、复杂对话