Finding “It”: Weakly-Supervised Reference-Aware Visual Grounding in Instructional Videos

這是CVPR2018 Oral的一片關於Weakly-Supervised Video Grounding的文章，paper連接http://ai.stanford.edu/~dahuang/papers/cvpr18-ramil.pdf，作者的homepage http://ai.stanford.edu/~dahuang/，code暫時沒有被released出來。
文章要做的事情：
輸入：sentence+video　　　 　　　　 輸出：bounding box（train的時候沒有bbox ground truth）
文章中show出來的example如下所示。

文章在兩個datasets上面的實驗結果如下所示。