学位论文简介

遥感视觉指代理解旨在根据自然语言描述，确定遥感图像或视频中目标的位置与范围，在自然资源管理、生态环境监测和灾害应急等领域具有重要应用价值。本文围绕复杂遥感场景中的目标定位与区域分割问题，研究语言语义、空间信息与时序信息的协同利用，提出时空感知的多粒度遥感视觉指代理解方法，取得了以下主要创新性研究成果：

(1) 针对遥感图像指代定位中方位语义利用不足的问题，提出方位语义增强的指代定位方法。通过尺度自适应图文交互，为不同尺度视觉特征提供匹配的语言表示；结合空间语义对齐，将方位线索转化为定位提示，引导目标信息的检索与聚合，提高指代目标的定位精度。

(2) 针对遥感视频跨帧指代推理中的目标误选与遗漏问题，提出时空证据驱动的免训练指代定位方法。在保持预训练模型权重固定的条件下，结合跨帧视觉观测、语义判断与轨迹几何测量，通过协同推理复核目标、补充候选并细化边界框，提高目标选择与逐帧定位的准确性。

(3) 针对遥感图像指代分割中跨模态语义对齐困难的问题，提出视觉语言互调制Mamba网络。通过双向调制共同更新图文表示，利用知识蒸馏学习目标区域的空间先验，并结合状态空间建模与语言条件下的多尺度动态卷积，兼顾全局上下文和局部细节，提高分割精度。

(4) 针对多时相指代分割中语言所指变化难以准确辨识的问题，提出双向对应关系建模的指代分割方法。在语言引导下估计双向局部对应关系并保留无匹配状态，区分无匹配内容与匹配内容的变化证据，自适应聚合场景上下文、差异幅度与时间方向信息，提高变化区域的辨识与分割能力。

主要学术成果

[1] Hu Guo, Bin Sun, Shutao Li, Chenglong Lei, Xiliang Li, Mingkui Tan. Directional-Semantic-Enhanced Visual Grounding for Remote Sensing Images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2025, 63: 1–14. (SCI, 第一作者)

[2] Hu Guo, Bin Sun, Weiqing Lu, Shutao Li. M³RIS: Mutual Modulation Mamba Network for Referring Remote Sensing Image Segmentation [J]. IEEE Transactions on Geoscience and Remote Sensing, 2026, 64: 5640116. (SCI, 第一作者)

[3] Xiliang Li, Xun Zhou, Bin Sun, Hu Guo, Xudong Kang, Shutao Li. AGSM: Anchor-Guided Spatial-Semantic Modeling for Remote Sensing Image Captioning [J]. IEEE Transactions on Circuits and Systems for Video Technology, 2026, Early Access. DOI: 10.1109/TCSVT.2026.3721331. (SCI)

[4] Xiliang Li, Bin Sun, Zhenhua Wu, Shutao Li, Hu Guo. CD4C: Change Detection for Remote Sensing Image Change Captioning [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 9181–9194. (SCI)

[5] Chenglong Lei, Chao Yang, Bolin Zhang, Hu Guo, Bin Jiang. Improving scene knowledge visual grounding via coreference awareness and adaptive knowledge reallocation [J]. Neurocomputing, 2027, 708: 135255. (SCI)

[6] 李树涛，李宾，孙斌，郭虎. 基于跨模态提示学习的视频问答方法与系统 [P]. 中国：ZL202210510047.7，2024-06-28. (发明专利)