SkySense-O:基于视觉中心化多模态建模的开放世界遥感解析技术解析
2025-07-05 23:37:37作者:庞眉杨Will
项目概述
SkySense-O是一项突破性的遥感图像解析技术,它通过创新的视觉中心化视觉-语言建模方法,实现了开放世界场景下的遥感图像理解。该项目由研究团队在CVPR 2025上发布,代表了当前遥感图像解析领域的最前沿技术。
技术背景
传统遥感图像解析面临两大核心挑战:
- 现有遥感语义类别有限,特别是像素级解析数据集
- 仅依靠语言空间难以区分遥感图像中密集复杂的空间区域
SkySense-O通过以下创新方案解决了这些问题:
- 构建了精细标注的Sky-SA数据集
- 提出了视觉中心化的多模态建模方法
核心技术
1. Sky-SA数据集
这是首个面向开放词汇分割的遥感领域数据集,具有以下特点:
- 包含183,375个高质量局部图像-文本对
- 全像素人工标注
- 覆盖1,763个类别标签
- 经过多轮专家验证
2. 视觉中心化建模方法
创新性地将视觉自监督范式融入图像-文本对齐过程:
- 预训练阶段:保持通用视觉表示能力
- 构建视觉相关性知识图谱
- 开发新型视觉中心化图像-文本对比损失
性能表现
SkySense-O在14个数据集上的评估表现出色,涵盖识别、推理、分类和定位四大任务,相比最新模型有显著提升:
- 平均优于SegEarth-OV 11.95%
- 平均优于GeoRSCLIP 8.04%
- 平均优于VHM 3.55%
快速开始
环境安装
- 安装detectron2:
python -m pip install 'git+https://github.com/MaureenZOU/detectron2-xyz.git'
- 克隆仓库并安装依赖:
git clone https://github.com/zqcraft/SkySense-O.git
cd SkySense-O
pip install -r require.txt
pip install accelerate -U
数据集准备
参考项目中的data_engine.md文件了解Sky-SA数据集的详细准备流程。
快速推理
sh demo.sh
模型训练
sh run_train.sh
模型评估
sh run_eval.sh
技术展望
项目团队计划在未来陆续发布:
- 模型检查点、推理代码和演示
- 数据集和训练脚本
- 评估代码
- 数据生成管道的代码
应用价值
SkySense-O的技术突破为以下领域带来新的可能性:
- 精准农业监测
- 城市规划与管理
- 灾害评估与响应
- 环境变化监测
- 国土安全应用
总结
SkySense-O代表了遥感图像解析技术的重要进步,其开放世界的解析能力和卓越的性能表现,为遥感领域的智能化应用开辟了新的道路。该技术的视觉中心化建模思路也为多模态学习领域提供了有价值的参考。
@article{zhu2024skysenseo,
title={SkySense-O: Towards Open-World Remote Sensing Interpretation with Vision-Centric Visual-Language Modeling},
author={Qi Zhu, Jiangwei Lao, Deyi Ji, Junwei Luo, Kang Wu, Yingying Zhang, Lixiang Ru, Jian Wang, Jingdong Chen, Ming Yang, Dong Liu, Feng Zhao},
journal={arXiv preprint },
year={2025}
}
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
861
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K