Aperture：免训练的遥感多尺度概念瓶颈

地球观测模型虽然取得了显著进展，但仍缺乏可解释性。概念瓶颈模型提供可解释性和专家交互能力，但在遥感领域训练成本过高，或在没有标注时表现较差。我们认为，在遥感等专业领域，免训练模型需要同时保留图像空间与概念空间的细节。在图像空间，我们提出多尺度概念瓶颈，使用贪心四叉树路由定位小尺度概念。在概念空间，我们用预训练多模态大语言模型替代对比视觉语言模型，并提出获得可靠概念分数的方法。我们引入APERTURE，融合全局图像尺度与概念原生尺度的概念分数，实现领先的免训练模型性能。为测试这些模型，我们引入SiFC，一个横跨三个国家、以细粒度概念为中心的数据集，包含人工审阅的类别级概念图。在SiFC上，APERTURE的宏平均F1分数比最强免训练基线高出超过10个百分点，也优于有监督概念瓶颈模型。定向组件移除实验检查概念分数是否随视觉证据变化而响应；时间实验表明，更新描述词可在不重新训练的情况下改善对技术变化的识别。