본 논문은 자연어 설명을 기반으로 항공 이미지에서 특정 객체를 찾는 새로운 작업인 AerialVG를 제안합니다. 기존 Visual Grounding (VG)과 비교하여, AerialVG는 시각적으로 유사한 객체 구별의 어려움, 위치 관계의 중요성, 고해상도 이미지 처리의 어려움 등 새로운 과제를 제시합니다. 이러한 과제를 해결하기 위해, 5,000개의 실제 항공 이미지, 50,000개의 수동 주석 설명, 103,000개의 객체로 구성된 최초의 AerialVG 데이터 세트를 소개합니다. 데이터 세트는 포괄적인 공간적 추론을 요구하는 상대적 공간 관계를 포함하는 여러 대상 객체에 대한 주석을 제공합니다. 또한, 대상 영역에 집중하기 위한 계층적 교차 주의(Hierarchical Cross-Attention)와 위치 관계를 추론하기 위한 관계 인식 기반 모델(Relation-Aware Grounding module)을 포함하는 혁신적인 AerialVG 모델을 제안합니다. 실험 결과는 제안된 데이터 세트와 방법의 효과를 입증하고, 항공 시각적 기반 기술에서 공간적 추론의 중요성을 강조합니다.
