これまでの動画フレームと文のアラインメントタスクと異なり、文の内容に沿った物体のlocalizationも解くタスクになっている。また、直接物体について言及しない質問文も扱うタスクとなっている点で新しい。

IoUベースの4つの評価指標で、従来手法の組合せ6種類よりも提案手法のグラフベースの手法が上回った。この手法は3つのサブグラフを組み合わせたものになっており、全て使うことで一番良い性能が出ていることが示された。