入力文をガイドとして領域検出を行う研究。複数の物体から入力文の内容に合う領域（例：白いフリスビーを持った男）を検出することができる。このタスクにおける精度を改善するため、CNNの異なるレベルでの各画像特徴と入力文の特徴でアラインメントを行うモジュールと、その出力の異なるレベルの特徴量同士で情報の交換を行うモジュールを提案。