モーダル内でのself-attentionのようなInter-modality Attention Flowと、モーダル間のsource-target attentionのような Dynamic IntraModality Attention Flow moduleを提案。これらの組み合わせによりテキストと画像の特徴の融合を実現した。

VQA 2.0 datasetで実験しSOTA。モジュールのAblation studyも行った。