摘要
遥感视觉问答（RS-VQA）对于智能地球观测至关重要，因为它支持对高分辨率航空图像的交互式查询。许多现有方法在处理遥感（RS）场景的精细地理空间推理时遇到困难，这是因为RS场景具有内在的多尺度对象变化和显著的空间异质性。这些模型往往更依赖于语言先验，而不是基于视觉证据的推理。在本文中，我们提出了PMA-VQA，这是一种具有空间自适应注意力的渐进式多尺度特征融合方法，将RS-VQA任务嵌入到基于空间的分层特征集成中。为了实现分层、多级的、基于语言的信息集成，我们提出了一个空间注意力聚合模块（SAAM）和一个渐进式特征融合与分类模块（PFCM）。SAAM利用空间自适应门控机制将跨模态特征与语义上下文对齐，而PFCM则将多尺度表示整合到高级语义抽象和低级空间中。在RS-VQA的低分辨率（LR）和高分辨率（HR）基准测试中的实验结果表明，PMA-VQA在准确性和鲁棒性方面均优于所有竞争方法。对高分辨率视觉问答（HRVQA）的评估进一步证实了SAAM和PFCM在处理不同RS场景时的有效性。
