Bottom-up attentionで用いられる物体検出器に関して、学習後にbounding boxではなくbackboneとなるネットワーク(実験ではResNet)のgridごとの特徴を用いたモデルを構築し、bottom-up attentionとの比較実験を実施。

Bottom-up attention自体が有効なのではなく、(1)物体検出器の事前学習(2)入力画像の解像度の2つが精度向上に寄与しており、実際にはgridごとの特徴を用いてもbottom-up attentionと精度が変わらないことが明らかになった。むしろ、gridごとの方が計算時間が早くなる。

最近の研究ではbottom-up attentionを用いるのが常識であったので、bottom-up attentionが有効でないことを示したのは面白い