Ancrage visuel du langage naturel

Le Natural Language Visual Grounding est une tâche intermodale visant à aligner les éléments visuels avec des informations textuelles grâce à des descriptions en langage naturel. Cette tâche intègre les technologies de vision par ordinateur et de traitement du langage naturel, dans le but de permettre aux machines de comprendre la correspondance entre les descriptions textuelles et les régions spécifiques d'une image. Sa valeur d'application réside dans l'amélioration de la naturalité et de la précision de l'interaction homme-machine, et elle est largement utilisée dans l'annotation d'images, la réponse à des questions visuelles et la navigation robotique, entre autres domaines.