2024年5月，js5金沙2004cm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(yǔ)言模型研究中取得重要進(jìn)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(guó)際頂級(jí)期刊《IEEE Transactions on Geoscience and Remote Sensing (TGRS)》上發(fā)表。js5金沙2004cm為唯一通訊單位，js5金沙2004cm前沿交叉學(xué)院博士張偉和雷達(dá)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(wú)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(yǔ)言模型（Multi-modal Large Language Models，簡(jiǎn)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(bǔ)這一空白，毛雪瑞教授團(tuán)隊(duì)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(wú)縫集成在同一個(gè)框架中。EarthGPT可在自然語(yǔ)言指令下，實(shí)現(xiàn)光學(xué)、合成孔徑雷達(dá)（SAR）圖像和紅外圖像的理解，完成遙感場(chǎng)景分類、圖像描述、視覺問(wèn)答、目標(biāo)描述、視覺定位和目標(biāo)檢測(cè)等多種任務(wù)（圖1）。

圖1 EarthGPT可通過(guò)自然語(yǔ)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(xiàng)關(guān)鍵技術(shù)：（1）視覺增強(qiáng)感知機(jī)制，通過(guò)混合專家編碼器提煉視覺粗粒度語(yǔ)義信息和細(xì)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(yǔ)言模型基本的圖像理解能力和多輪對(duì)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(wàn)圖像-文本對(duì)）上做微調(diào)，實(shí)現(xiàn)遙感場(chǎng)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(xiàn)了一個(gè)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(shí)際應(yīng)用的潛力。

此項(xiàng)工作以js5金沙2004cm為唯一通訊單位，得到了國(guó)家自然科學(xué)基金的支持。

論文鏈接：https://ieeexplore.ieee.org/document/10547418