单目三维视觉定位方法、装置、设备及存储介质

本申请公开了一种单目三维视觉定位方法、装置、设备及存储介质，涉及计算机视觉与自然语言处理技术领域，该方法包括：基于待定位目标的描述文本与场景图像，提取出文本特征、视觉特征以及深度特征；对所述文本特征、所述视觉特征以及所述深度特征进行耦合，得到多模态耦合特征；对所述多模态耦合特征进行解码，得到多模态解码特征；基于所述多模态解码特征，确定所述待定位目标的三维视觉定位结果。通过上述方式，实现了视觉特征、文本特征、深度特征之间的跨模态深度耦合，提升不同模态特征的表达能力，提升空间位置信息与高级语义信息的感知能力，能够定位出与文本描述最相关的视觉目标，提高三维目标定位的精度。