視覚的定位

ビジュアルグラウンディング（VG）は、自然言語のクエリに基づいて画像内で最も関連性の高い物体や領域を特定することを目指しています。このタスクの主要な課題には、クエリの焦点を特定すること、画像の内容を理解すること、そして対象物体を正確に位置づけることが含まれます。ビジュアルグラウンディングは、人間とコンピュータの自然で正確な相互作用を向上させるだけでなく、画像アノテーション、コンテンツ検索、シーン理解などの分野でも重要な応用価値を持っています。