面向遥感图像视觉定位的语言引导混合表征学习

基于摘要分析。本文研究遥感图像中的视觉定位（RSVG），即根据语言表达定位图像中的特定目标，针对复杂场景与目标尺度多样的问题提出语言引导混合表征学习 Transformer（LGFormer）。核心贡献是通过文本与视觉特征构成混合查询，并结合多尺度跨模态特征增强，生成用于目标坐标回归的表征。 机制方面，作者设计了采用多模态双编码器 Transformer 结构的自适应多模态特征融合模块。混合查询的视觉部分由语言引导选择的视觉特征构成，文本部分使用句子级特征，旨在让解码早期的查询感知目标位置；随后，混合查询聚合双编码器中的不同模态信息，得到最终目标嵌入。多尺度跨模态特征增强模块（MSCM）则用于增强提取出的文本与视觉特征的自身表征，并进行语义对齐。具体查询选择规则、模块连接方式、损失函数与训练流程尚未验证。 作者报告，LGFormer 在 DIOR-RSVG 和 OPT-RSVG 数据集上相较既有模型取得最佳结果。摘要未提供具体指标、数值、数据划分及对照模型，因此该结论只能作为作者在上述数据集上的报告，尚不能判断优势幅度或各模块的独立贡献。实验协议、消融及统计信息尚未验证，复现所需实现细节与资源条件也有待全文核对。 本文的主要研究对象是遥感图像与语言表达之间的目标定位，并非 EEG 解码或 BCI。摘要未提供神经信号实验，也未建立与 EEG 数据结构或监督条件的具体对应关系；不据此生成 BCI 迁移效果或复现实验建议，相关 EEG 工作尚未检索确认。