A Unified Framework and Dataset for Oriented Object Visual Grounding in Remote Sensing
Aggiunta all'archivio di AIChronos il (numero del 23 settembre 2026 ricostruito)· fonte del · Zeyu Ding, Yong Zhou, Jiaqi Zhao, Wen-Liang Du, Xixi Li, Hancheng Zhu
Il documento introduce O$^2$-VG, un framework unificato per il visual grounding di oggetti orientati in immagini satellitari che supera i limiti delle bounding box orizzontali tradizionali. La famiglia di modelli include O$^2$-VG-Trans (un transformer cross-modality), O$^2$-VG-Uni (per proposte universionali e retrieval tramite cached embeddings) e O$^2$-VG-VLM (un modello autoregressivo che genera token blocks in parallelo). Viene inoltre presentato il dataset DIOR-R-RSVG, composto da tripleti immagine-espressione-box orientato per addestramento ed evaluation. Questo approccio combina architetture discriminative con modelli generativi vision-language offrendo flessibilità e prestazioni superiori su benchmark multipli.
- O$^2$-VG risolve l'inaccuratezza delle bounding box orizzontali gestendo oggetti con orientamenti arbitrari in immagini remote sensing.
- Il framework integra tre design complementari: discriminativo (Transformer), universale (proposte non dipendenti da prompt) e generativo (VLM autoregressivo).
- O$^2$-VG-Uni supporta il retrieval di oggetti utilizzando cached proposal embeddings senza bisogno di specifici text prompts.
- Il modello O$^2$-VG-VLM genera oriented box token blocks in parallelo sfruttando la multi-token prediction per migliorare l'efficienza.
- È stato costruito un dataset dedicato, DIOR-R-RSVG, che fornisce tripleti immagine-espressione-box orientato specifici per questo dominio.
Perché conta. Per uno sviluppatore di agenti AI o sistemi locali, O$^2$-VG offre una base solida per integrare capacità visive avanzate in scenari con oggetti non allineati (es. mappe aeree), riducendo la dipendenza da prompt testuali specifici e migliorando l'efficienza inferenziale tramite tecniche come multi-token prediction.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.