TimeSenCLIP：用于遥感的时序视觉语言模型
计算机视觉与模式识别
2026-04-01 v3
摘要
视觉语言模型（VLM）在遥感应用中展现出巨大的潜力，尤其是通过零样本分类和检索实现土地利用和土地覆盖（LULC）映射。然而，当前方法面临诸多挑战，如依赖caption式监督，这类监督信息在覆盖语义方面往往不可得或有限；且从通用 VLM 架构迁移，适用于非常高分辨率图像，从而倾向于优先考虑空间上下文而非光谱和时序信息，限制了其处理中等分辨率遥感图像的效果。本文提出了 TimeSenCLIP，一个用于遥感时序数据的轻量级 VLM，采用跨视图时序对比框架，将多光谱 Sentinel-2 时序数据与带地理标签的地面级图像对齐，无需文本注释。与先前 VLM 不同，TimeSenCLIP 强调时序和光谱信号而非空间上下文，探讨单像素时序数据是否包含解决多种任务所需的足够信息。
关键词
引用
@article{arxiv.2508.11919,
title = {TimeSenCLIP: A Time Series Vision-Language Model for Remote Sensing},
author = {Pallavi Jain and Diego Marcos and Dino Ienco and Roberto Interdonato and Tristan Berchoux},
journal= {arXiv preprint arXiv:2508.11919},
year = {2026}
}
备注
Accepted (ISPRS Journal of Photogrammetry and Remote Sensing)