PixDLM：用于无人机推理分割的双路径多模态语言模型

推理分割最近已从地面场景扩展到遥感图像，但无人机数据带来了明显的挑战，包括倾斜视点、超高分辨率和极端尺度变化。为了解决这些问题，我们正式定义了无人机推理分割任务，并将其语义需求组织为三个维度：空间、属性和场景级推理。基于这个公式，我们构建了 DRSeg，一个用于无人机推理分割的大规模基准，包含 10k 高分辨率航空图像，并在所有三种推理类型中搭配思想链 QA 监督。作为基准伴侣，我们引入了 PixDLM，这是一种简单而有效的像素级多模态语言模型，可作为此任务的统一基准。 DRSeg 的实验建立了强有力的基线结果，并突出了无人机推理分割的独特挑战，为未来的研究提供了坚实的基础。