该研究提出了一种新的多目标跟踪框架LG-MOT，结合语言和视觉特征，通过注释语言描述并用于训练，提高了跟踪性能。实验结果显示该方法在多个测试集上达到了最先进水平，并在舞蹈跟踪测试集上相对于基线方法有2.2%的增益。该方法还表现出良好的跨领域泛化能力。

本文提出了一种新的方法，用于单视角RGBD图像的三维视觉定位。该方法通过融合语言和视觉特征生成热图来粗略定位相关区域，然后通过自适应特征学习和对象级匹配，结合另一种视觉语言融合来最终定位被引用的对象。实验证明，该方法在ScanRefer数据集和SUNRefer数据集上相比现有方法有较大的性能提升（分别提升11.2%和15.6%）。