Transformer構造の導入により、Vision-LanguageのRepresentation学習が劇的に成長してきた。しかし、既存の手法はFine-grainedなセマンティックアラインメントに関しての検討が不足している。Videoとテキストのアラインメントの事前学習のための、Object-centricな手法を提案し、物体検出とタグを利用することで学習のパフォーマンスを向上。