主任务：视觉知识抽取，分解为目标检测和文本生成
- 目标检测：Relation-centric（bbox改成subject和object联合区域，分类器目标改成关系类别
- 文本生成：改Loss，惩罚相似的生成
- 数据增强：使用KG、LLM扩充知识（从常识库中补充更多的关系，将主语替换为同义词）；丢弃频繁知识（魔改TF-IDF）；
并不是凭空抽取知识，训练依赖细粒度的标注（BBox，知识），数据集Visual Geonome
下游任务：文本检索图像，图像识别文本，VQA
模型：检测：ResNet+FPN，多模态生成：VIT-B-16+BLIP/CLIP（依赖大规模预训练）