GeoReason: Bridging Logical Reasoning and Spatial Fidelity in Remote Sensing Segmentation
Pubblicata su AIChronos il · fonte del · Cheng Fan, Han Wu, Tingzhang Luo, Minjing Dong, Yehui Tang, Jianyuan Guo
Il documento introduce GeoReason, un framework che affronta il degrado della fedeltà spaziale e l'identificazione errata degli obiettivi nella segmentazione da telerilevamento (RS) utilizzando modelli linguistici multimodali. L'autore identifica come collo di bottiglia la separazione sequenziale del token [SEG] dal suo ancoraggio visivo iniziale durante le catene autoregressive lunghe, portando a una perdita informativa critica per target con piccole impronte pixeliche. Per mitigare questo problema, GeoReason integra un meccanismo Anticipatory Prior che inserisce il token [SEG] direttamente nella query utente iniziale e utilizza una Loss di allineamento Latent Patch-to-Token (PTA). Inoltre, migliora la ragionamento visivo tramite una Location-aware Chain-of-Thought (CoT) a grana fine. Gli esperimenti dimostrano che l'approccio supera i metodi state-of-the-art sui benchmark Earthreason e RRSIS-D.
- Il paradigma 'Embedding-as-Mask' nei MLLMs soffre di degrado della fedeltà spaziale in contesti geografici complessi per via del rumore autoregressivo accumulato.
- L'introduzione dell'Anticipatory Prior trasforma il token [SEG] da output terminale a condizione primaria persistente, prevenendo la diluizione delle evidenze visive.
- La Location-aware Chain-of-Thought (CoT) enforcing coarse-to-fine localization migliora l'allineamento tra ragionamenti logici e precisione spaziale fisica.
- Il Latent Patch-to-Token Alignment (PTA) Loss allinea esplicitamente il token di segmentazione latente con le texture fisiche reali dei dati da telerilevamento.
- GeoReason ottiene risultati superiori sui benchmark Earthreason e RRSIS-D, superando i metodi esistenti nella preservazione dell'integrità spaziale.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti AI locale, questo paper è cruciale perché risolve il problema del 'hallucination' spaziale nei task di segmentazione visiva, garantendo che le inferenze logiche non compromettano la precisione geometrica dei risultati.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.