一种目标定位方法、目标定位装置以及计算机存储介质

本申请提出一种目标定位方法、目标定位装置以及计算机存储介质。所述目标定位方法包括：获取目标图像和目标文本；提取所述目标图像的初始视觉特征，提取所述目标文本的文本特征；将所述初始视觉特征和所述文本特征进行多模态特征融合，提取所述目标图像和所述目标文本的多模态融合视觉特征；利用预设尺度查询向量对所述多模态融合视觉特征进行尺度混合，提取所述多模态融合视觉特征的优化视觉特征；根据所述优化视觉特征输入目标定位结果，其中，所述目标定位结果包括目标分类结果和目标检测框结果。通过上述目标定位方法，对多模态特征进行对齐与融合，实现基于文本描述引导的视觉目标定位。