AerialVG：基于探索位置关系的航空视觉定位基准挑战
计算机视觉与模式识别
2025-10-09 v4 人工智能
摘要
视觉定位（VG）旨在基于自然语言描述在图像中定位目标对象。本文提出AerialVG，一个聚焦于航空视角视觉定位的新任务。与传统VG不同，AerialVG带来新挑战，例如基于外观的定位不足以区分多个视觉相似的对象，需强调位置关系。此外，现有VG模型在应用于航空图像时难以处理，其中高分辨率图像造成严重困难。为应对这些挑战，我们引入首个AerialVG数据集，包含5000张真实航空图像、50000处手动标注描述和103000个对象。特别地，AerialVG数据集中的每个标注包含多个带相对空间关系的目标对象，要求模型进行全面的空间推理。进一步，我们提出一种专为AerialVG任务设计的创新模型，其中设计了层次化交叉注意力机制以聚焦于目标区域，并构建了关系感知定位模块用于推断位置关系。实验结果验证了数据集和方法的有效性，凸显了航空视觉定位中空间推理的重要性。代码和数据集将公开释放。
引用
@article{arxiv.2504.07836,
title = {AerialVG: A Challenging Benchmark for Aerial Visual Grounding by Exploring Positional Relations},
author = {Junli Liu and Qizhi Chen and Zhigang Wang and Yiwen Tang and Yiting Zhang and Chi Yan and Dong Wang and Xuelong Li and Bin Zhao},
journal= {arXiv preprint arXiv:2504.07836},
year = {2025}
}
备注
8 pages, 6 figures