画像とその説明文から物体の矩形と名詞句のアラインメントを行うVisual groundingタスクに適用する新しいモデルを提案。物体検出器から得られた物体の矩形候補で、似ている矩形同士を近づけるように学習を進めるself-taught learning、画像の矩形特徴量同士の関係の分類、クエリの再構成の３つの目的関数を用いて学習する。