画像から推測したPOSタグシーケンスと、画像のフィーチャーマップ、オブジェクト検出器を元に生成したオブジェクトベクトルを入力として、キャプションを生成する。複数種類のPOSタグシーケンスを元にキャプションを生成することにより、時間のかかるビームサーチなしでキャプションを生成することができ、多様性も担保しやすい。

MS COCOベンチマークで、既存のビームサーチベースの手法と比較して、同等の精度で7倍近く高速にキャプションを生成できることを示した。また、多様性の面でも既存手法を上回る生成が行えることを示した。