摘要

这项研究将组合图像检索引入了遥感领域。它允许通过图像示例与文本描述相结合的方式查询大型图像档案库，从而增强了单模态查询（无论是视觉还是文本）的描述能力。文本部分可以修改各种属性，如形状、颜色或上下文。本文提出了一种融合图像到图像和文本到图像相似性的新方法。我们证明了一个视觉-语言模型具备足够的描述能力，无需进一步的学习步骤或训练数据。我们还介绍了一个新的评估基准，重点关注颜色、上下文、密度、存在性、数量和形状的修改。我们的工作不仅为这一任务设定了最新的技术水平，还为解决遥感图像检索领域的空白奠定了基础。代码地址：https://github.com/billpsomas/rscir