一、文章主要有兩個貢獻點
1、建立了基於對話的visual granding數據集
2、給出了基於深度學習的baseline model
二、數據集
這是數據集中的兩個例子，可以發現每一張圖有一個instance級別的標註，並且對應若干個問答形式的描述！任務的目的在於通過這些問答形式的描述，自動的確定所描述的目標物體是誰！
三、基礎模型
從圖中可以發現，模型的結構還是比較簡單的，有5類不通的輸入內容：1、context也就是全局上下文，也就是整張圖像；2、crop，也就是object的ROI圖像；3、spatial information，也就是座標文中採用了[左上角，右下角，中心點，尺寸];4、類別是one-hot向量，用了一個embed層轉換成dense category embedding；5、語義向量；
MLP：是隻有一個隱層，最後用softmax接交叉熵；
CNN：用於提取視覺特徵的是預訓練的VGG，圖像resize到224，從fc8提取向量；
上圖只是針對一個object，對於圖中存在這一系列object，需要如下圖所示的做法，然後用softmax選一個最大的概率：
四、實驗對比
這個表中給出了各種信息不同組合方式，給結果帶來的影響！