既存の方法では決め打ちの特徴点を選び、この特徴点を中心とした矩形を別途予測していたが、本研究では予測の矩形を縦横方向に徐々に縮小する操作を強化学習のactionとして定義し、強化学習によって学習させた。

RefCOCOgデータセットにおいて4.32%精度が向上

物体検出の矩形を強化学習で操作するアイデアは強力で面白い。実際、純粋な物体検出タスクで非常に似たアプローチの先行研究がある（Active Object Localization [Caicedo+, ICCV2015]）こちらはDeep Q Networkで、本研究はActor-criticである点は異なる。また、入力文がある点もことなるが、本論文では引用すらないのが疑問に残る。