EO 中的回归任务：视觉语言模型是否具备挑战能力？
计算机视觉与模式识别
2025-02-21 v1
摘要
地球观测(EO)数据涵盖广泛的遥感信息，具有多传感器和多时序特征，在理解行星动态方面起不可或缺的作用。最近，视觉语言模型(VLMs)在感知和推理任务中取得了显著成功，为 EO 领域带来了新的视角和机遇。然而，尤其是针对科学回归相关任务，VLMs 的潜力仍未得到充分探索。本文通过系统性地考察将 VLMs 应用于 EO 回归任务的挑战与机遇来弥合这一差距。讨论首先对比了 EO 数据与常规计算机视觉数据集的不同之处，然后确定将 VLMs 应用于 EO 回归的四个核心障碍：1)缺乏专门的基准，2)离散与连续表示之间的冲突，3)累积误差积累，4)文本中心训练目标对数值任务的次优性。接下来，探讨了一系列方法论见解和潜在细微陷阱。最后，我们提供了一些有前景的未来方向，以设计稳健且领域感知的解决方案。我们的发现凸显了 VLMs 在 EO 科学回归中的潜力，为更精确和可解释的关键环境过程建模铺平了道路。
引用
@article{arxiv.2502.14088,
title = {Regression in EO: Are VLMs Up to the Challenge?},
author = {Xizhe Xue and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2502.14088},
year = {2025}
}