354篇参考文献！史上最详尽综述：视觉定位任务十年发展系统性回顾

文章预览

27 页综述，354 篇参考文献！史上最详尽的视觉定位综述，内容覆盖过去十年的视觉定位发展总结，尤其对最近 5 年的视觉定位论文系统性回顾，内容既涵盖传统基于检测器的视觉定位，基于 VLP 的视觉定位，基于 MLLM 的视觉定位，也涵盖从全监督、无监督、弱监督、半监督、零样本、广义定位等新型设置下的视觉定位。 论文题目： Towards Visual Grounding: A Survey 工作内容： 视觉定位（Visual Grounding）任务十年发展系统性回顾 论文链接： https://arxiv.org/pdf/2412.20206 代码/仓库链接： https://github.com/linhuixiao/Awesome-Visual-Grounding 摘要 视觉定位（Visual Grounding）也被称为指代表达文本理解（Referring Expression Comprehension）和短语定位（Phrase Grounding）。它涉及根据给定的文本描述在图像中定位自然数量的特定区域。 该任务的目标是模拟社会对话中普遍存在的指代关系， ………………………………