論文の概要: FUSAR-R1: A Large-Scale Reasoning Model for Intelligent Interpretation of SAR Images
- arxiv url: http://arxiv.org/abs/2607.16819v1
- Date: Sat, 18 Jul 2026 13:31:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.265163
- Title: FUSAR-R1: A Large-Scale Reasoning Model for Intelligent Interpretation of SAR Images
- Title（参考訳）: FUSAR-R1:SAR画像の知的解釈のための大規模推論モデル
- Abstract要約: 大規模視覚言語モデルは、インテリジェントなリモートセンシング画像解釈のパラダイムシフトを推進している。
既存の視覚言語モデルは、人間の専門家のステップバイステップの分析、論理的判断、自己補正能力を持っていない。
本稿では,SAR画像の知的解釈のための大規模推論モデルFUSAR-R1を提案する。
- 参考スコア（独自算出の注目度）: 16.00747602035178
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, large-scale vision-language models have been driving a paradigm shift in intelligent remote sensing image interpretation. By incorporating textual semantic information, the cognitive expression, semantic understanding, and human-computer interaction capabilities of interpretation models have been significantly improved, achieving initial progress in the field of Synthetic Aperture Radar (SAR) image interpretation. However, SAR images are affected by factors such as coherent imaging mechanisms, complex scattering characteristics, speckle noise interference, and target-background coupling, resulting in complex and variable image features with significant uncertainties and specializations. Existing SAR vision-language models do not yet possess the step-by-step analysis, logical judgment, and self-correction capabilities of human experts, making it difficult to support reliable intelligent interpretation in complex scenarios. To address this issue, this paper proposes a large-scale reasoning model, FUSAR-R1, for intelligent interpretation of SAR images. The model first constructs explicit chain-of-thought reasoning data by simulating the interpretation process of human experts and uses this data to guide instruction learning, thereby endowing the model with basic reasoning capabilities. Subsequently, a reinforcement learning strategy is introduced to optimize the model's outputs based on inference results, enabling self-correction and more reliable reasoning. Experimental results demonstrate that FUSAR-R1 consistently outperforms existing multimodal large-scale models across various SAR interpretation tasks, including target detection, target counting and classification, and land-cover category recognition.
- Abstract（参考訳）: 近年、大規模な視覚言語モデルがインテリジェントなリモートセンシング画像解釈のパラダイムシフトを推進している。
テキスト意味情報、認知表現、意味理解、解釈モデルの人間とコンピュータの相互作用能力は大幅に改善され、合成開口レーダ(SAR)画像解釈の分野での最初の進歩が達成された。
しかし、SAR画像はコヒーレントイメージング機構、複雑な散乱特性、スペックルノイズ干渉、ターゲット-バックグラウンド結合などの要因の影響を受けており、不確実性や特殊性を持った複雑な画像特徴と可変画像特徴をもたらす。
既存のSARビジョン言語モデルは、人間の専門家のステップバイステップ分析、論理的判断、自己補正能力を持っていないため、複雑なシナリオにおいて信頼できる知的な解釈を支援することは困難である。
本稿では,SAR画像の知的解釈のための大規模推論モデルFUSAR-R1を提案する。
モデルはまず、人間の専門家の解釈過程をシミュレートし、このデータを用いて指導学習を指導し、基礎的推論能力を持つモデルを構築する。
その後、推論結果に基づいてモデルの出力を最適化し、自己補正とより信頼性の高い推論を可能にする強化学習戦略を導入する。
実験の結果, FUSAR-R1は, ターゲット検出, ターゲットカウントと分類, 土地被覆カテゴリー認識など, 様々なSAR解釈タスクにおいて, 既存のマルチモーダル大規模モデルよりも一貫して優れていた。
関連論文リスト
- Interpretable and Fair Generalized Additive Neural Networks via Multi-objective Learning [52.66717986145448]
理解可能性と公正性は、信頼できる人工知能(AI)において最も強調される2つの次元の1つである
本稿では,ニューラルネットワーク(NN)に基づく自己解釈可能なモデルであるGAM(Generalized Additive Model)に焦点を当てる。
論文 参考訳（メタデータ） (2026-09-05T07:29:42Z) - Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models [65.4947731385794]
基礎画像中心モデルであるInsight-Vから進化した統合多エージェント視覚推論フレームワークを提案する。
空間的時間的推論を強化し、評価ロバスト性を向上させる2つの新しいアルゴリズムST-GRPOとJ-GRPOを導入する。
LLaVA-NeXTやQwen2.5-VLといったベースモデルの実験は、挑戦的な画像とビデオの推論ベンチマーク間で大きなパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2026-03-18T15:28:07Z) - Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている
既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。
トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文 参考訳（メタデータ） (2026-01-25T07:09:20Z) - SARCLIP: A Vision Language Foundation Model for Semantic Understanding and Target Recognition in SAR Imagery [46.87845911116779]
SARCLIPは、SARドメインに適した最初のビジョン言語基盤モデルである。
SARCLIPは、ドメイン転送戦略によって対照的な視覚言語学習アプローチを用いて訓練される。
画像テキスト検索とゼロショット分類タスクの実験は、SARCLIPの優れた性能を示す。
論文 参考訳（メタデータ） (2025-10-26T13:04:50Z) - FUSAR-KLIP: Towards Multimodal Foundation Models for Remote Sensing [16.948824707021412]
クロスモーダル人工知能は近年広く注目を集めており、自然画像の研究において大きな進歩を遂げている。
既存の手法は主にRGB画像用に設計されており、合成開口レーダ(SAR)画像のモデリングにおいて大きなギャップを残している。
本稿では,再利用可能なデータと評価ベースラインとともに,初の汎用SARマルチモーダル基盤モデルであるFUSAR-KLIPを提案する。
論文 参考訳（メタデータ） (2025-09-28T15:03:25Z) - ThinkFake: Reasoning in Multimodal Large Language Models for AI-Generated Image Detection [51.93101033997245]
AI生成画像のリアリズムの増大は、誤情報やプライバシー侵害に対する深刻な懸念を引き起こしている。
我々は、AI生成画像検出のための新しい推論に基づく一般化可能なフレームワークThinkFakeを提案する。
我々は、ThinkFakeがGenImageベンチマークで最先端の手法より優れており、挑戦的なLOKIベンチマークで強力なゼロショットの一般化を示すことを示す。
論文 参考訳（メタデータ） (2025-09-24T07:34:09Z) - A Complex-valued SAR Foundation Model Based on Physically Inspired Representation Learning [19.993115629155803]
SAR(Synthetic Aperture Radar)は、地球観測に重要な利点をもたらす全天候イメージング機能を提供する。
しかし,SAR画像解釈の基礎モデルを確立することは,情報利用の不十分さや解釈可能性の低下といった課題に必然的に直面する。
本研究では,プレトレーニングのための偏光分解過程をシミュレートした,複雑なSARデータに基づくリモートセンシング基盤モデルを提案する。
論文 参考訳（メタデータ） (2025-04-16T11:51:34Z) - SAR to Optical Image Translation with Color Supervised Diffusion Model [5.234109158596138]
本稿では,SAR画像をより分かりやすい光学画像に変換するために,革新的な生成モデルを提案する。
サンプリングプロセスでは,SARイメージを条件付きガイドとして使用し,カラーシフト問題に対処するために色管理を統合する。
論文 参考訳（メタデータ） (2024-07-24T01:11:28Z) - Diffexplainer: Towards Cross-modal Global Explanations with Diffusion Models [51.21351775178525]
DiffExplainerは、言語ビジョンモデルを活用することで、マルチモーダルなグローバルな説明可能性を実現する新しいフレームワークである。
最適化されたテキストプロンプトに条件付けされた拡散モデルを使用し、クラス出力を最大化する画像を合成する。
生成した視覚的記述の分析により、バイアスと突発的特徴の自動識別が可能になる。
論文 参考訳（メタデータ） (2024-04-03T10:11:22Z) - UniDiff: Advancing Vision-Language Models with Generative and
Discriminative Learning [86.91893533388628]
本稿では、画像テキストコントラスト学習(ITC)、テキスト条件付き画像合成学習(IS)、相互意味整合性モデリング(RSC)を統合した統合マルチモーダルモデルUniDiffを提案する。
UniDiffはマルチモーダル理解と生成タスクの両方において汎用性を示す。
論文 参考訳（メタデータ） (2023-06-01T15:39:38Z) - Explainable, Physics Aware, Trustworthy AI Paradigm Shift for Synthetic
Aperture Radar [5.164409209168982]
本稿では,SAR(Synthetic Aperture Radar)データを対象としたデータサイエンスにおける説明可能性のパラダイム変更を提案する。
明確に確立されたモデルに基づいた説明可能なデータ変換を使用して、AIメソッドのインプットを生成することを目指している。
論文 参考訳（メタデータ） (2023-01-09T09:22:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。