SEMT：面向遥感图像描述的静态扩张网格变换器网络架构
计算机视觉与模式识别
2025-07-18 v1 人工智能
摘要
图像描述作为计算机视觉和自然语言处理交叉领域的关键任务，能够实现从视觉内容自动生成描述性文本。在遥感领域，图像描述在解释广阔且复杂的卫星影像方面发挥着重要作用，辅助环境监测、灾后评估和城市规划等应用。因此，本文提出一种基于变换器的遥感图像描述网络架构（RSIC），评估并集成了多种静态扩张、记忆增强自注意力和网格变换器技术。我们使用两大遥感图像数据集（UCM-Caption 和 NWPU-Caption）进行模型评估。我们的最佳模型在大多数评估指标上均超越了当前的前沿系统，展示了在实际遥感图像系统中应用的潜力。
引用
@article{arxiv.2507.12845,
title = {SEMT: Static-Expansion-Mesh Transformer Network Architecture for Remote Sensing Image Captioning},
author = {Khang Truong and Lam Pham and Hieu Tang and Jasmin Lampert and Martin Boyer and Son Phan and Truong Nguyen},
journal= {arXiv preprint arXiv:2507.12845},
year = {2025}
}