# Modele wizja–język dla zdjęć satelitarnych

EN: **Remote sensing vision-language models** · id `rsvlm` · aliases: remote sensing VLM, geospatial multimodal LLM, RS VLM, czat ze zdjęciem satelitarnym, remote sensing visual question answering

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w obserwacji Ziemi i geoinformatyce](https://aiatlasgraph.com/t/geoai.md) › [Modele bazowe dla obserwacji Ziemi](https://aiatlasgraph.com/t/geofm.md) › Modele wizja–język dla zdjęć satelitarnych

## Description

- PL: Modele łączące enkoder obrazów teledetekcyjnych z modelem językowym: kontrastowe (wyszukiwanie obraz–tekst) i generatywne (opisy, VQA, uziemienie w ramkach).
- EN: Models linking a remote-sensing image encoder with a language model: contrastive (image–text retrieval) and generative (captions, VQA, box grounding).

## In one sentence

- PL: Modele, którym można zadać pytanie o zdjęcie satelitarne zwykłym językiem i dostać odpowiedź, opis albo zaznaczony na obrazie obiekt.
- EN: Models you can ask about a satellite image in plain language and get an answer, a description or an object marked on the picture.

## Problem it solves

- PL: Analiza zdjęć z satelity wymagała specjalistycznych programów i osobnego modelu do każdego pytania, niedostępnych dla zwykłych użytkowników.
- EN: Analysing satellite images used to need specialist software and a separate model for each question, out of reach for ordinary users.

## What it does

- PL: Jak rozmowa z analitykiem nad mapą: pytasz, ile tu jest boisk, a on liczy i pokazuje je palcem.
- EN: Like talking to an analyst over a map: you ask how many sports pitches there are, and they count and point to them.

## Everyday example

- PL: Dziennikarka pyta model, ile statków stoi w porcie na zdjęciu, i prosi o zaznaczenie rozpoznanych jednostek.
- EN: A journalist asks how many ships are in the harbour image and asks the model to mark the vessels it identifies.

## This concerns you if you…

- PL: chcesz pytać o zdjęcia satelitarne bez znajomości programów do map
- PL: budujesz asystenta do analizy zdjęć z góry
- EN: want to ask about satellite images without knowing mapping software
- EN: are building an assistant for analysing overhead images

## Keywords

GeoChat · RemoteCLIP · SkyScript · RSVQA · LLaVA · visual grounding · remote sensing image captioning · EarthGPT

## How it works

- PL: Modele kontrastowe uczą wspólnej przestrzeni zdjęć satelitarnych i opisów, co pozwala wyszukiwać i klasyfikować bez przykładów. Generatywne łączą enkoder wizyjny z modelem językowym przez adapter i dostrajają go na danych instrukcyjnych tworzonych z istniejących zbiorów etykiet, także z ramkami zapisanymi jako tekst.
- EN: Contrastive models learn a shared space for satellite images and captions, enabling zero-shot retrieval and classification. Generative models connect a vision encoder to a language model through an adapter and fine-tune on instruction data built from existing labelled datasets, including boxes written as text.

## Limits

- PL: Większość działa tylko na zdjęciach RGB, bez kanałów spektralnych i radaru. Słabo radzą sobie z małymi obiektami i wieloma ramkami naraz, a dane instrukcyjne są generowane automatycznie. Potrafią zmyślać obiekty, których nie ma.
- EN: Most work only on RGB images, without spectral bands or radar. They struggle with small objects and many boxes at once, and instruction data are generated automatically. They can hallucinate objects that are not there.

## Key terms

- PL: **uziemienie (grounding)**: Wskazanie na obrazie miejsca, którego dotyczy odpowiedź.
- PL: **VQA**: Odpowiadanie na pytania zadane o konkretny obraz.
- PL: **dane instrukcyjne**: Pary polecenie–odpowiedź używane do dostrajania modelu.
- EN: **grounding**: Pointing to the spot on the image an answer refers to.
- EN: **VQA**: Answering questions asked about a specific image.
- EN: **instruction data**: Instruction–response pairs used to fine-tune a model.

## Know first

- [Modele wizja–język (opisywanie obrazów i pytania o nie) (Vision-language models (VLMs))](https://aiatlasgraph.com/t/vlm.md)

## Related topics

Untyped, symmetric "see also" links.

- [Agenci AI do analiz w systemach GIS (LLM agents for geospatial analysis (autonomous GIS))](https://aiatlasgraph.com/t/geoagents.md)
- [Modele wizja–język (opisywanie obrazów i pytania o nie) (Vision-language models (VLMs))](https://aiatlasgraph.com/t/vlm.md)

## Sources

- [Foundation Models for Remote Sensing and Earth Observation: A Survey](<https://arxiv.org/abs/2410.16602>) `xiao-rs-foundation-models-survey-2024` · by Aoran Xiao, Weihao Xuan, Junjue Wang, Jiaxing Huang, Dacheng Tao, Shijian Lu, Naoto Yokoya
- [GeoChat: Grounded Large Vision-Language Model for Remote Sensing](<https://arxiv.org/abs/2311.15826>) `kuckreja-geochat-2023` · by Kartik Kuckreja, Muhammad Sohail Danish, Muzammal Naseer, Abhijit Das, Salman Khan, Fahad Shahbaz Khan
- [Vision-Language Modeling Meets Remote Sensing: Models, Datasets and Perspectives](<https://arxiv.org/abs/2505.14361>) `weng-rs-vlm-survey-2025` · by Xingxing Weng, Chao Pang, Gui-Song Xia

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/rsvlm · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30