論文の概要: RSJEV: Discriminative Remote Sensing Scene Classification with Multimodal Large Language Models

• arxiv url: http://arxiv.org/abs/2610.08539v1
• Date: Tue, 06 Oct 2026 15:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.082586
• Title: RSJEV: Discriminative Remote Sensing Scene Classification with Multimodal Large Language Models
• Title（参考訳）: RSJEV:マルチモーダル大言語モデルを用いた識別的リモートセンシングシーン分類
• Abstract要約: RSJEVはリモートセンシングシーン分類のためのワンパスマルチモーダル決定フレームワークである。 シーン分類を候補条件付きマルチモーダル識別決定プロセスとして再構成する。 CNN-、Transformer-、Mamba-、CLIP-、MLLMベースの手法と比較して優れた分類性能を実現する。
• 参考スコア（独自算出の注目度）: 44.967421913603545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing scene classification is a fundamental task in Earth observation and geospatial analysis. Existing approaches mainly follow three paradigms: task-specific visual classification, vision-language similarity matching, and autoregressive multimodal generation. However, visual classifiers rely on predefined label spaces, CLIP-based methods perform recognition through static image-text alignment, and multimodal large language models (MLLMs) introduce unnecessary token-level generation for classification tasks with explicit candidate categories. To address these limitations, we propose RSJEV, a one-pass multimodal decision framework for remote sensing scene classification. Unlike conventional MLLMs that formulate classification as autoregressive text generation, RSJEV reformulates scene classification as a candidate-conditioned multimodal discriminative decision process, where visual representations, task instructions, and candidate category semantics are jointly modeled. Specifically, we introduce a OnePass Decider that extracts multimodal decision states and directly estimates category probabilities within the candidate category space, eliminating autoregressive decoding while preserving vision-language interactions. Extensive experiments on three widely used remote sensing scene classification benchmarks, including UC Merced, AID, and NWPU-RESISC45, demonstrate that RSJEV achieves superior classification performance compared with representative CNN-, Transformer-, Mamba-, CLIP-, and MLLM-based methods. Moreover, RSJEV significantly reduces inference costs and achieves a better accuracy-efficiency trade-off with only a compact 0.8B-parameter model. These results demonstrate the effectiveness of state-conditioned multimodal decision making for efficient remote sensing image understanding. The code will be available at https://github.com/Dongtcs/RSJEV.
• Abstract（参考訳）: リモートセンシングシーンの分類は、地球観測と地理空間解析の基本的な課題である。 既存のアプローチは主に、タスク固有の視覚分類、視覚言語類似性マッチング、自動回帰マルチモーダル生成の3つのパラダイムに従っている。 しかし、視覚分類器は事前に定義されたラベル空間に依存し、CLIPベースの手法は静的な画像テキストアライメントを通じて認識を行い、マルチモーダルな大規模言語モデル(MLLM)は明示的な候補カテゴリーを持つ分類タスクに対して不要なトークンレベル生成を導入する。 これらの制約に対処するため、リモートセンシングシーン分類のためのワンパスマルチモーダル決定フレームワークRSJEVを提案する。 自己回帰テキスト生成として分類を定式化する従来のMLLMとは異なり、RSJEVは、視覚表現、タスク命令、および候補カテゴリー意味論を共同でモデル化する、候補条件付きマルチモーダル識別決定プロセスとしてシーン分類を再構成する。 具体的には、マルチモーダルな決定状態を抽出し、候補カテゴリ空間内のカテゴリ確率を直接推定するOnePass Deciderを導入し、視覚と言語間の相互作用を保ちながら自己回帰的復号を除去する。 UC Merced, AID, NWPU-RESISC45 など,広く使用されている3つのリモートセンシングシーン分類ベンチマークの大規模な実験により, RSJEV が代表的 CNN-, Transformer-, Mamba-, CLIP-, MLLM ベースの手法に比べて優れた分類性能を発揮することが示された。 さらに、RSJEVは推論コストを大幅に削減し、コンパクトな0.8Bパラメータモデルで精度・効率のトレードオフを実現する。 これらの結果は、効率的なリモートセンシング画像理解のための状態条件付きマルチモーダル意思決定の有効性を示す。 コードはhttps://github.com/Dongtcs/RSJEVで入手できる。

関連論文リスト

• LAYERSCOPE: A Layerwise Characterization of Video and Multimodal Learned Representations [57.281591486516504]
  LAYERSCOPEは、ビデオおよびマルチモーダル設定において、モデルの学習した表現を特徴付けることを目的としている。 ビデオおよびマルチモーダル分類,クラスタリング,MVEB/MVEB+からのテキスト・ツー・ビデオ検索の7つのモデルを評価する。 中間層表現は最終層およびモデルデフォルト出力より優れることがわかった。
  論文  参考訳（メタデータ） (2026-09-23T13:24:29Z)
• Fine-R1: Make Multi-modal LLMs Excel in Fine-Grained Visual Recognition by Chain-of-Thought Reasoning [47.868429337792314]
  Fine-R1は、ファイングラインド視覚認識用に設計されたR1スタイルのMLLMである。 4ショットのトレーニングだけで、Fine-R1は既存のMLLMよりも優れており、MLLMの推論や、対照的なCLIPモデルも優れている。
  論文  参考訳（メタデータ） (2026-02-07T16:16:51Z)
• Learning Semantic-Aware Representation in Visual-Language Models for Multi-Label Recognition with Partial Labels [19.740929527669483]
  部分ラベル付きマルチラベル認識(MLR-PL)はコンピュータビジョンにおける実用的な課題である。 セマンティックデカップリングモジュールとカテゴリ固有のプロンプト最適化手法をCLIPベースのフレームワークで導入する。 提案手法は,CLIPベースのベースライン方式と比較して,情報と異なるカテゴリを効果的に分離し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-14T14:31:36Z)
• Category-Adaptive Cross-Modal Semantic Refinement and Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
  本稿では,カテゴリ適応型クロスモーダル・セマンティック・リファインメント・アンド・トランスファー(C$2$SRT)フレームワークを提案する。 提案するフレームワークは,2つの相補的モジュール,すなわち,カテゴリ内セマンティックリファインメント(ISR)モジュールと,カテゴリ間セマンティックトランスファー(IST)モジュールから構成される。 OV-MLRベンチマークの実験は、提案されたC$2$SRTフレームワークが現在の最先端アルゴリズムより優れていることを明らかに示している。
  論文  参考訳（メタデータ） (2024-12-09T04:00:18Z)
• RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition [78.97487780589574]
  MLLM(Multimodal Large Language Models)は、細粒度カテゴリの分類において優れている。 本稿では,MLLMの検索とランク付けのための拡張手法を提案する。 提案手法は, 微粒化認識における固有の限界に対処するだけでなく, モデルの包括的知識基盤も維持する。
  論文  参考訳（メタデータ） (2024-03-20T17:59:55Z)
• Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
  本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。 具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。 また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
  論文  参考訳（メタデータ） (2022-04-08T00:55:15Z)

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。