OpenAI의 ChatGPT와 GPT-4 같은 대규모 언어-시각 모델(LLVM)은 텍스트 및 이미지 분석을 위한 강력한 도구로 주목받고 있습니다. 이러한 데이터 영역의 결합은 자동 표적 인식(ATR)에 광범위한 영향을 미치는 중대한 패러다임 변화를 의미합니다. 최근 트랜스포머 기반 LLVM 연구는 지리 공간 인지 작업에서 상당한 개선을 보여주었습니다. 본 연구에서는 원격 감지 이미지 캡셔닝 및 시각 질문 답변(VQA)에 대한 LLVM의 적용을 검토하며, 특히 합성 개구 레이더(SAR) 이미지를 중점적으로 다룹니다. 우리는 CLIP과 LLaVA 신경망 트랜스포머 아키텍처를 포함하여 새로 발표된 LLVM 방법들을 검토합니다. 저희는 MSTAR Public Dataset에서 파생된 SAR 학습 및 평가 벤치마크를 개발했습니다. 이 벤치마크는 VQA 작업을 위해 설명적 텍스트 캡션과 질문-답변 쌍을 포함하도록 확장되었습니다. 이 도전 과제 데이터셋은 SAR 이미지에서 미묘한 ATR 세부 사항을 식별하는 LLVM의 경계를 넓히도록 설계되었습니다. 매개변수 효율적 파인튜닝(parameter-efficient fine-tuning)을 활용하여, 우리는 98%의 정확도로 미세한 표적 특성을 식별하도록 LLVM 방법을 학습시켰습니다. 저희는 오해를 불러일으킬 수 있는 잠재적인 함정들을 다루면서 데이터 설정과 실험 과정을 상세히 설명합니다. SAR 데이터에서 군용 차량 유형을 정확하게 식별하고 구별하는 것은 특히 복잡한 환경 조건 하에서 중요한 과제입니다.

이러한 표적 인식 기술을 숙달하는 것은 인간 분석가에게 수개월의 훈련과 수년간의 경험을 필요로 할 수 있습니다. 본 연구는 LLVM을 SAR 응용 분야에 적용하여 군사 및 정보 환경에서의 기계 보조 원격 탐지 (ATR)를 발전시키려는 독특한 노력을 대표합니다.