计算机科学 > 计算机视觉与模式识别
[提交于 2025年9月29日
]
标题: Geo-R1:利用跨视图强化学习解锁VLM地理空间推理
标题: Geo-R1: Unlocking VLM Geospatial Reasoning with Cross-View Reinforcement Learning
摘要: 我们引入了Geo-R1,这是一种以推理为中心的后训练框架,通过结合思维支架和提升来解锁视觉-语言模型中的地理空间推理能力。 在支架阶段,Geo-R1通过在合成思维链示例上的监督微调,灌输一种“地理空间思维范式”,使模型能够在不依赖昂贵的人类推理标注的情况下,将视觉线索与地理先验联系起来。 在提升阶段,它使用基于GRPO的强化学习,在弱监督的跨视图配对代理上进行训练。 这种设计提供了一个可验证且可扩展的奖励信号:教导模型捕捉和协调跨模态的特征,并利用推理进行准确预测。 Geo-R1将地理空间建模从领域预训练/监督微调扩展到以推理为主的后训练,且在各种地理空间推理基准测试中取得了最先进的性能。 我们的模型可在 https://huggingface.co/miniHui/Geo-R1 获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.