待验证50% 置信事实精确时间
视觉定位在学术上通常分为几个层级：Referring Expression Comprehension（指代理解）要求模型根据一句话定位单个目标；Phrase Grounding（短语定位）需要把句子拆成多个短语并分别对应到图像区域；Dense Grounding（密集定位）则要求对图中尽可能多的物体逐一给出边界框和标签
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension78% 相似待验证Grounding DINO通过跨模态融合模块将语言特征与视觉特征深度对齐，可根据任意文本描述定位图像中对应目标77% 相似待验证动作目标定位（grounding）指将自然语言指令映射到具体视觉元素坐标的能力，是计算机操作智能体的核心瓶颈之一75% 相似待验证对图像识别来说关键在于特征而非绝对位置，而在语言中顺序决定意义71% 相似待验证在纯文字图、抽象艺术图、全景风景图等边界场景中，基于人脸或显著物体的裁剪策略可能失效，需设计兜底策略如回退到居中裁剪或 object-position: center70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1009653API
curl https://kongchang.com/api/v1/knowledge/claims/1009653MCP
get_claim(id=1009653)