卫星图像描述生成：利用大语言模型增强标注

随着现代目标检测网络及其训练数据集能力的不断增强，上手并运行一个擅长检测任意多种目标的模型变得更加直接，且重要的是，更加省力。然而，尽管用于目标检测的图像数据集不断增长并持续激增（目前最大的公开数据集 ImageNet 包含超过 1400 万张图像和超过 1400 万个实例），但文本描述数据集的情况却并非如此。虽然近年来描述数据集确实在不断增长，但由于语言差异、语法以及人类生成描述所需的时间，描述数据集带来了更大的挑战。当前的数据集确实提供了许多可用的实例，但当描述者的词汇量可能较有限、可能对语言不够流利或存在简单的语法错误时，就会出现问题。当图像变得更加特定（例如遥感图像）时，这些困难就会增加。本文旨在解决描述数据集中潜在的信息和沟通缺陷问题。为了提供更精确的分析，我们将图像领域限定为 RSICD 数据集中的遥感图像，并对其中提供的描述进行实验。我们的研究结果表明，ChatGPT 语法纠正是提高描述模型性能准确度的一种简单有效的方法，它通过使数据描述更加多样化和语法正确来实现。