CLIPをそのまま物体検出に使うと、 物体領域とテキストトークンの関連性を学んでいなかったため、性能うまく発揮できないと主張。そこで、本論文が領域とトークンなど細かい部分も関連できる「RegionCLIP」を提案。物体領域(from RPN)とConcept pool(from mage-text corpus)をCLIPでペアリング、 対照学習と蒸留でそのペアの関連性を学習させる。