cross-modalityを扱う上で、異なる特徴間の関係性の考慮は重要だが、image-captioningでは1次の関係性しか考慮していないことが多かった。X-Linear attentionでは、VQAで用いられるBilinear Poolingをattentionに組込み、特徴量間の2次の関係性を考慮することでimage-captioningの性能を向上させた。

image-captioningのベンチマークとして知られるCOCOデータセットで評価。評価指標はBLEU@N、METEOR、ROUGE-L、CIDEr、SPICEの5つ。10のベースライン手法と比較し、X-LANとTransformerを組合わせたモデルをcross-entropyで学習、CIDErでfine-tuningして学習させたものが各評価指標で最高性能となった。