تُقدّم هذه الورقة إطارًا تمثيليًا مسبقًا للتعليم (PIR) لاسترجاع الصور والنصوص في مجال الاستشعار عن بعد، وذلك بهدف تحسين المهام المتعلقة بفهم الرؤية واللغة في الصور من الاستشعار عن بعد، وحل مشكلة الضوضاء الدلالية. وتميّز الدراسة بطرح منهجية تستند إلى المعرفة المسبقة لتوجيه التعلّم التكيّفي لتمثيلات الرؤية والنص. وعلى وجه التحديد، تم اقتراح هيكلين متقدّمين للتمثيل المُوجّه بالانتباه (PAE)، وهما: PAE المكاني وPAE الزمني، لتنفيذ نمذجة الاعتماد الطويل الأمد وتعزيز تمثيل الميزات الأساسية. في تمثيل الرؤية، يستخدم تمثيل التعليم البصري (VIR) القائم على PAE المكاني المعرفة المُوجّهة مسبقًا لتمييز مشاهد الاستشعار عن بعد من خلال بناء مصفوفة الاعتقاد لاختيار الميزات الأساسية وتقليل تأثير الضوضاء الدلالية. أما في تمثيل النص، فيعتمد الانتباه الدائري للغة (LCA) القائم على PAE الزمني على تفعيل التدفق الزمني الحالي بشكل دوري باستخدام الخطوة الزمنية السابقة لتعزيز قدرة تمثيل النص. كما تم اقتراح خسارة ترابط حسب المجموعة (Cluster-wise Affiliation Loss) لتقييد الفروقات بين الفئات وتقليل مناطق التباس الدلالة في الفضاء المشترك. وأظهرت التجارب الشاملة أن استخدام التعليم المبني على المعرفة المسبقة يمكن أن يعزز تمثيلات الرؤية والنص، وأنه يتفوّق على الطرق الرائدة في المجال على مجموعتي بيانات معياريتين، وهما RSICD وRSITMD.