Awesome-Remote-Sensing-Cross-Modal-Image-Text-Retrieval

github2026-05-07 更新2026-06-04 收录

遥感图像-文本检索

视觉-语言理解

数据链接：

https://github.com/LanCole/Awesome-Remote-Sensing-Cross-Modal-Image-Text-Retrieval 数据链接链接失效反馈

官方服务：

资源简介：

这是一个专注于遥感领域跨模态图像-文本检索（RSCMIT）的资源合集，收集了相关的研究论文、数据集、基准测试、代码和模型权重。合集涵盖了遥感图像-文本检索模型、视觉-语言模型、大规模预训练数据集以及该领域的综述文献，旨在为研究者和开发者提供全面的资源索引和参考。

This is a curated resource collection focused on remote sensing cross-modal image-text retrieval (RSCMIT). It gathers relevant research papers, datasets, benchmark tests, code, and model weights. The collection covers remote sensing image-text retrieval models, vision-language models, large-scale pre-trained datasets, and review literature in this field, aiming to provide comprehensive resource indexing and references for researchers and developers.

创建时间：

2024-11-19

原始信息汇总

数据集与基准

该页面汇总了遥感跨模态图像-文本检索（RSCMIT）领域的相关数据集、基准、代码及模型权重。核心数据集包括：

UCM-Captions：613张图像，尺寸256×256。
Sydney-Captions：2,100张图像，尺寸500×500。
RSICD：10,921张图像，尺寸224×224。
RSITMD：4,743张图像，尺寸256×256。
NWPU-Captions：31,500张图像，尺寸256×256。
RS5M：超过500万张图像，全分辨率，附带预训练模型GeoRSCLIP。
SkyScript：超过520万张图像，全分辨率，附带预训练模型SkyCLIP。
ChatEarthNet：163,488 + 10,000个样本，数据集待公开。
GEOBench-VLM：超过10,000个样本，附带基准测试集GEOBench-VLM。
VRSBench：29,614张图像，包含29,614条人工验证的详细描述、52,472个对象引用和123,221个问答对（NeurIPS 2024）。

综述论文

页面列举了10篇遥感跨模态检索及视觉-语言模型领域的综述论文，发表于2023年至2025年期间，涵盖了来自同济大学、国防科技大学、西北工业大学、东京大学、南京航空航天大学等机构的早期研究。

模型分类

页面将模型分为三大类：

遥感跨模态图像-文本检索模型：共收录超过40个模型（截至更新日期），时间跨度从2018年至2026年，涉及多种方法论如对比学习、注意力机制、提示工程等。代表性模型包括DCCA、CMER、PGRN、FGVLA、CFITR、PERSVL、RemoteCLIP等，论文主要发表在TGRS、JSTARS、ACMMM等会议和期刊上。
遥感视觉-语言模型（面向更多任务）：包含用于图像分割（如FIANet）和场景分类（如FedRSClip）的模型。
遥感视觉-语言大模型与基础模型：共收录9个模型，包括VHM、TeoChat、RingMoGPT、GeoChat、EarthGPT、RemoteCLIP、RSGPT、GeoRSCLIP和GRAFT，主要发表于2023年至2024年期间。