短语提取与定位 (PEG)

Phrase Extraction and Grounding (PEG) 是一种结合自然语言处理与计算机视觉的任务，旨在从文本中提取短语并同时在图像中定位相应的对象。该任务通过多模态信息融合，提升模型对场景理解的准确性和细粒度，广泛应用于图像标注、视觉问答和内容检索等领域，具有重要的应用价值。