Vision-Language Geo-Foundation Models (VLGFM) は、地球観測データを処理および分析するために特別に設計された人工知能モデルであり、視覚情報と言語情報を組み合わせて、地理空間データの理解と分析スキルを向上させます。 VLGFM は、画像の説明、画像とテキストの検索、視覚的な質問応答、および視覚的なローカリゼーションなどのマルチモーダル タスクを含む、さまざまなタスクを実行できます。

VLGFM の概念は論文で初めて紹介されました。視覚言語地理基盤モデルに向けて: 調査このレビュー論文は、南洋理工大学、SenseTime Technology、Shanghai AI Lab、上海交通大学の研究者によって完成され、2024 年に出版される予定です。この論文は、VLGFM に関する最初の文献レビューであり、VLGFM と視覚地理ベースのモデルおよび視覚言語固有のモデルの違いについて説明し、既存の VLGFM のモデル アーキテクチャと一般的に使用されるデータ セットを要約します。