כתבה
arXiv cs.AI ·
מלא קודם לקדמה: פוסט-אימון על-פי תפוסת-יכולות להתמקדות בתצפיות רחוקות
Filling Before Advancing: Capability-Gap-Driven Post-Training for Scenario-Specialized Remote Sensing MLLMs
אפליקציות תצפית רחוקה דורשות התמקדות סקנרית, אך נתוני התצפית הקיימים נדחסים. פוסט-אימון על-פי תפוסת-יכולות יכול לפצות על תפוסת-יכולות חסרות. ניתן ליישם זאת להבנת נמלי חוף, על ידי יצירת CPRS, סטטיסטיקה של שלושה שלבים: (1) תצפית רחוקה סמנטית; (2) גיבוש קשרי תפוקה; (�) התאמה של תצפית רחוקה. ניתן לבחון את זה על ידי HarborEval, שמכיל שמונה רציפים ניסוייים, כולל ראייה, הבנת מיקום, רזיליאנס, והפקה. FBA יכול להגדיל את HarborEval מ-57.95 עם Direct-SFT ל-70.29 עם FBA על LLaVA-v1.5, ומ-81.09 ל-83.37 עם Qwen3-VL.
תקציר מקורי באנגליתarXiv:2607.22205v2 Announce Type: replace-cross Abstract: Remote sensing multimodal large language models (RS-MLLMs) have improved general aerial-image understanding. However, Earth observation applications require fine-grained scenario specialization, constrained by scarce high-quality scenario data and incomplete capability coverage. We formulate this adaptation as a capability-gap-driven post-training problem and propose filling before advancing (FBA). Rather than relying on single-stage supervised fine-tuning (SFT) over target-domain samples, FBA first fills prerequisite capability gaps before advancing toward scenario specialization. We instantiate FBA for coastal harbor understanding, a representative multi-source scenario, by constructing CPRS (Coastal-Port Remote Sensing), a three-
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית