論文の概要: RRS-10K: A Multitask Vision-Language Model Benchmark for Rare Remote Sensing Image Interpretation

• arxiv url: http://arxiv.org/abs/2607.24810v1
• Date: Mon, 13 Jul 2026 08:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.078651
• Title: RRS-10K: A Multitask Vision-Language Model Benchmark for Rare Remote Sensing Image Interpretation
• Title（参考訳）: RRS-10K: リモートセンシング画像解釈のためのマルチタスク視覚言語モデルベンチマーク
• Abstract要約: 視覚言語モデル(VLM)は、一般的なリモートセンシングタスクにおいて高い性能を達成している。 既存のベンチマークは、都市部や田園部のイメージに支配されている。 希少なリモートセンシング画像解釈のためのベンチマークRS-10Kを提案する。
• 参考スコア（独自算出の注目度）: 19.526908696306506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have achieved strong performance on general remote sensing tasks. However, their capability for rare scenes remains insufficiently understood, because existing benchmarks are dominated by common urban and rural imagery. To address this gap, we present RRS-10K, a benchmark for rare remote sensing image interpretation. RRS-10K contains 10,738 military-related remote sensing images and corresponding multiple format question-answer pairs for comprehensive evaluation. All of the images are collected from first-hand sources and organized into three capability dimensions, six sub-dimensions, and 20 leaf tasks, covering perception, reasoning, and robustness. To improve the quality of multiple-choice questions, we introduce a similarity-based distractor filtering strategy (SDFS) during benchmark construction. We further evaluate 52 representative models and show that current VLMs achieve only moderate zero-shot performance on rare remote sensing image interpretation, with clear weaknesses in visual grounding, referring segmentation, and complex semantic reasoning tasks. RRS-10K enables systematic analysis of failure modes in long-tail remote sensing interpretation and provides guidance for developing more reliable remote sensing VLMs.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、一般的なリモートセンシングタスクにおいて高い性能を達成している。 しかし、既存のベンチマークは都市部や田園部のイメージに支配されているため、レアシーンの能力は十分に理解されていない。 このギャップに対処するため、希少なリモートセンシング画像解釈のためのベンチマークRS-10Kを提案する。 RRS-10Kには10,738個の軍事関連リモートセンシング画像と、それに対応する複数の形式の質問応答対が包括的評価のために含まれている。 すべての画像は、手元から収集され、3つの機能ディメンション、6つのサブディメンション、20のリーフタスクで構成され、知覚、推論、堅牢さをカバーしている。 マルチチョイス質問の品質向上のために,ベンチマーク構築時に類似度に基づくトラクタフィルタリング戦略(SDFS)を導入する。 さらに52の代表的なモデルを評価し,従来のVLMは,視覚的グラウンド,セグメンテーション,複雑な意味推論タスクにおいて明確な弱点を有する,希少なリモートセンシング画像解釈において,適度なゼロショット性能しか達成できないことを示す。 RRS-10Kは、長距離リモートセンシング解釈における障害モードの系統的解析を可能にし、より信頼性の高いリモートセンシングVLMを開発するためのガイダンスを提供する。

関連論文リスト

• More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
  遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。 我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。 提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
  論文  参考訳（メタデータ） (2026-07-17T13:25:44Z)
• Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration [61.02313993032298]
  超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。 GeoSR-Benchは、SRモデルから改良された画像解像度と下流の地球モニタリングタスクを直接接続する最初のSRベンチマークである。 270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。
  論文  参考訳（メタデータ） (2026-05-01T00:44:46Z)
• Observe Less, Understand More: Cost-aware Cross-scale Observation for Remote Sensing Understanding [49.97682794425118]
  高解像度(HR)画像は、はるかに高い買収コストと限られた範囲で重要な局所的な詳細を提供する。 これは、LRに基づくグローバルな知覚からHRイメージを選択的に取得する、クロススケールなセンシング戦略のモチベーションである。 GL-10Mは,1000万個の空間的に整列したマルチ解像度画像の大規模ベンチマークである。
  論文  参考訳（メタデータ） (2026-04-13T13:00:29Z)
• FUSE-RSVLM: Feature Fusion Vision-Language Model for Remote Sensing [21.38912956638889]
  MF-RSVLMは多機能核融合リモートセンシングビジョン-言語モデルである。 マルチスケールの視覚表現を学習し、グローバルなコンテキストと局所的な詳細を組み合わせる。 リモートセンシング分類、画像キャプション、VQAタスクにまたがる最先端または高い競争性能を達成する。
  論文  参考訳（メタデータ） (2025-12-30T06:48:07Z)
• A Benchmark for Ultra-High-Resolution Remote Sensing MLLMs [15.631314307574705]
  マルチモーダル大言語モデル(MLLM)は、既存のリモートセンシング(RS)ベンチマークにおいて、強い知覚と推論性能を示す。 テキストのみのLLMは、画像にアクセスすることなく、RS推論タスク上でマルチモーダル視覚言語モデルと競合して動作可能であることを示す。 本稿では,RSの視覚的理解と推論のための超高分解能ベンチマークであるRSHR-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-12-19T08:07:51Z)
• Co-Training Vision Language Models for Remote Sensing Multi-task Learning [68.15604397741753]
  視覚言語モデル(VLM)は、RS画像理解、グラウンド化、超高解像度(UHR)画像推論において有望な結果を得た。 本稿では,RSMTLのための簡易かつ柔軟なVLMベースラインであるRSCoVLMを提案する。 本稿では、RS画像に固有の多様な画像スケールに対処する、統一された動的解像度戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-26T10:55:07Z)
• Efficient Few-Shot Learning in Remote Sensing: Fusing Vision and Vision-Language Models [0.33985395340995606]
  本研究では,視覚モデルと視覚言語モデルを組み合わせることで,リモートセンシングにおける画像解析の強化を図る。 YOLOとLLaVA、ChatGPT、GeminiといったVLMとの統合は、より正確で文脈的に認識された画像解釈を実現することを目的としている。 その結果、航空機の検出とカウントの精度において、モデル全体で平均48.46%のMAE改善が見られた。
  論文  参考訳（メタデータ） (2025-10-15T18:19:48Z)
• SVQA-R1: Reinforcing Spatial Reasoning in MLLMs via View-Consistent Reward Optimization [57.484274282231226]
  本稿では,R1スタイルのトレーニングを空間VQAに拡張する最初のフレームワークであるSVQA-R1を提案する。 特に,オブジェクト間の空間的関係を摂動させることで,視点に一貫性のある報酬を構成する新しいグループワイドRL戦略であるSpatial-GRPOを紹介する。 我々のモデルSVQA-R1は空間的VQAベンチマークの精度を劇的に向上させるだけでなく、教師付き微調整データを使用しなくても解釈可能な推論経路を示す。
  論文  参考訳（メタデータ） (2025-06-02T06:58:43Z)
• SARLANG-1M: A Benchmark for Vision-Language Modeling in SAR Image Understanding [20.314150537672198]
  VLM(Vision-Language Models)は、強力なオープン語彙解釈と柔軟な言語相互作用を提供するRGBイメージ理解において、顕著な成功を収めている。 マルチモーダルなSAR画像理解に適した大規模ベンチマークであるSARLANG-1Mを紹介する。 階層的な解像度(0.1mから25m)、きめ細かいセマンティック記述(簡潔さと詳細なキャプションを含む)、多様なリモートセンシングカテゴリ、そして7つのアプリケーションと1,012の質問タイプにまたがるマルチタスクの質問応答ペアが特徴である。
  論文  参考訳（メタデータ） (2025-04-04T08:09:53Z)
• RSUniVLM: A Unified Vision Language Model for Remote Sensing via Granularity-oriented Mixture of Experts [17.76606110070648]
  複数の粒度にまたがる包括的視覚理解のための統一型エンドツーエンドRS VLMであるRSUniVLMを提案する。 RSUniVLMは、変更検出や変更キャプションのインスタンスを含む、マルチイメージ解析において効果的に機能する。 また、RSと一般ドメインの両方の既存のデータセットに基づいて、大規模なRS命令追従データセットを構築した。
  論文  参考訳（メタデータ） (2024-12-07T15:11:21Z)
• RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
  本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。 RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。 我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
  論文  参考訳（メタデータ） (2024-04-03T12:06:01Z)

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。