The Use of Multimodal Large Language Models to Detect Objects from Thermal Images: Transportation

本文是LLM系列文章，针对《The Use of Multimodal Large Language Models to Detect Objects from Thermal Images: Transportation Applications》的翻译。

摘要

热成像数据与多模态大型语言模型 （MLLM） 的集成为提高自动驾驶系统和许多智能交通系统 （ITS） 应用的安全性和功能性提供了一个令人兴奋的机会。本研究调查了 MLLM 是否可以理解来自 RGB 和热像仪的复杂图像并直接检测物体。我们的目标是 1） 评估 MLLM 从各种集合中学习信息的能力，2） 检测物体并识别热像仪中的元素，3） 确定两个独立的模态图像是否显示相同的场景，以及 4） 使用不同的模态学习所有物体。研究结果表明，GPT-4 和 Gemini 在检测和分类热图像中的物体方面都很有效。同样，行人分类的平均绝对百分比误差 （MAPE） 分别为 70.39% 和 81.48%。此外，自行车、汽车和摩托车检测的 MAPE 分别为 78.4%、55.81% 和 96.15%。Gemini 的 MAPE 分别为 66.53%、59.35% 和 78.18%。这一发现进一步表明，MLLM 可以识别热图像，并可用于 ITS 应用的高级成像自动化技术。

1 引言