フレーズ抽出およびグラウンディング（PEG）

フレーズ抽出とグラウンディング（PEG）は、自然言語処理とコンピュータビジョンを組み合わせたタスクで、テキストからフレーズを抽出し、同時に画像中の対応するオブジェクトを特定することを目指しています。このタスクは、多様なモーダル情報の融合を通じてモデルのシーン理解の精度と詳細度を向上させ、画像キャプション生成、視覚的質問応答、コンテンツ検索などの分野で重要な応用価値を持っています。