发布语音驱动遥感视觉定位语义监督研究

2026年10月14日，arXiv Computer Vision 刊出研究，剖析语音驱动遥感视觉定位中的语义监督机制。该研究提出 SemEcho，将冻结的 Whisper 语音通路嫁接到 VLTVG 定位宿主上，使语音与文本共享同一解码器，并据此剖析特征模仿蒸馏、词级 CTC 监督和两阶段 ASR 预训练三条语义注入通道。研究同时发布 Audio-DIOR-R（80,973 条训练片段；10 种音色 × K=3；采用 Qwen3-TTS 合成，并施加在线 sox 噪声，λ 取值于 [0, 0.4]）与 Audio-DIOR-Comp——后者为在 2×2 声学-语义协议下留出 17 个属性-类别组合的重新划分。报道称，由于该任务的语音语料由 DIOR-RSVG 表达合成，配对文本在构造上免费，因而可作为训练期教师与同一宿主下的公平文本上界。目前进展限于论文与数据集发布，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。