修改Spatial-MLLM项目，使其专注于无人机航拍视频的空间理解。以下是修改方案和关键代码实现：

修改思路

1. 输入处理：将原项目的视频+文本输入改为单一无人机航拍视频/图像输入
2. 问题生成：自动生成空间理解相关的问题（无需用户输入文本）
3. 模型适配：调整视觉编码器处理航拍图像特征
4. 输出优化：聚焦空间关系、物体定位和场景结构的分析

关键代码修改

1. 输入处理模块 (video_processor.py)

import cv2
import torch
from PIL import Image
from torchvision import transformsclass DroneVideoProcessor:def __init__(self, frame_stride=5, target_size=224):self.frame_stride = frame_strideself.transform = transforms.Compose([transforms.Resize((target_size, target_size)),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])def load_video(self, video_path):"""处理无人机航拍视频，提取关键帧"""cap = cv2.VideoCapture(video_path)frames = []frame_count = 0while cap.isOpened():ret, frame = cap.read()if not ret:breakif frame_count % self.frame_stride == 0:frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)frame = Image.fromarray(frame)frame = self.transform(frame)frames.append(frame)frame_count += 1cap.release()return torch.stack(frames)  # [T, C, H, W]def load_image(self, image_path):"""处理单张航拍图像"""img = Image.open(image_path).convert('RGB')return self.transform(img).unsqueeze(0)  # [1, C, H, W]

2. 问题生成模块 (question_generator.py)

class SpatialQuestionGenerator:def generate_questions(self, input_type):"""自动生成空间理解问题"""base_questions = {'video': ["描述视频中的空间布局和物体位置关系","分析场景中物体的三维空间分布","识别视频中的地形特征和空间结构","解释物体间的相对位置和空间关系","总结场景的整体空间组织方式"],'image': ["分析图像中的深度信息和空间层次","描述物体的空间分布和方位关系","识别场景中的前景、中景和背景元素","解释透视关系和空间尺度","评估场景的空间复杂度和结构特征"]}return base_questions[input_type]

3. 模型适配模块 (spatial_mllm.py)

class SpatialMLLM(nn.Module):def __init__(self, vision_encoder, text_decoder):super().__init__()self.vision_encoder = vision_encoderself.text_decoder = text_decoder# 添加航拍特征适配层self.drone_adapter = nn.Sequential(nn.Linear(vision_encoder.output_dim, 1024),nn.ReLU(),nn.Linear(1024, text_decoder.hidden_size))def forward(self, video_frames, generated_questions):# 提取航拍视觉特征visual_features = self.vision_encoder(video_frames)  # [T, D]# 适配无人机视角特征drone_features = self.drone_adapter(visual_features.mean(dim=0))  # [D]# 处理每个生成的问题answers = []for question in generated_questions:# 融合视觉特征和问题文本input_text = f"无人机航拍分析: {question} 视觉上下文:"output = self.text_decoder(input_text, context_vector=drone_features)answers.append(output)return answers

4. 主执行模块 (run_drone_spatial.py)

from video_processor import DroneVideoProcessor
from question_generator import SpatialQuestionGenerator
from spatial_mllm import SpatialMLLMdef main(input_path):# 1. 输入处理processor = DroneVideoProcessor()if input_path.endswith(('.mp4', '.avi')):frames = processor.load_video(input_path)input_type = 'video'else:  # 图像输入frames = processor.load_image(input_path)input_type = 'image'# 2. 生成空间理解问题question_gen = SpatialQuestionGenerator()questions = question_gen.generate_questions(input_type)# 3. 加载模型 (使用原项目预训练权重)model = SpatialMLLM(vision_encoder=load_pretrained_vision_encoder(),text_decoder=load_pretrained_text_decoder())# 4. 执行空间理解分析with torch.no_grad():results = model(frames, questions)# 5. 输出结果print("\n无人机航拍空间理解分析报告:")for q, a in zip(questions, results):print(f"\n问题: {q}")print(f"分析: {a}\n{'='*50}")if __name__ == "__main__":import sysmain(sys.argv[1])

使用方式

# 分析航拍视频
python run_drone_spatial.py drone_video.mp4# 分析航拍图像
python run_drone_spatial.py aerial_photo.jpg

输出示例

无人机航拍空间理解分析报告:问题: 描述视频中的空间布局和物体位置关系
分析: 视频显示城市区域的空间布局呈现网格状结构。建筑物高度由市中心向郊区递减，形成梯度分布。主干道两侧建筑物密度较高，与支路形成层次结构。公园区域（约占总面积15%）作为开放空间位于东南象限，与商业区形成鲜明对比...==================================================================

关键技术点

1. 航拍特征增强：

   • 添加drone_adapter模块专门处理俯视视角特征
   • 采用多帧时空融合策略处理视频序列

2. 空间分析维度：

   • 深度估计与层次分离（前景/背景）
   • 物体相对位置关系分析
   • 区域分割与功能分区识别
   • 三维空间重建（高度/密度分布）
   • 动态物体轨迹预测（仅视频模式）

3. 优化策略：

   # 在video_processor.py中添加
   def enhance_aerial_features(self, frames):"""航拍图像增强处理"""# 1. 对比度增强（突出地形特征）# 2. 边缘增强（强化建筑轮廓）# 3. 色度校正（补偿大气散射）# 4. 小目标检测增强return enhanced_frames