把detection和phrase ground(對于給定的sentence，要定位其中提到的全部物體)這兩個任務合起來變成統一框架，從而擴展數據來源，因為文本圖像對的數據還是很好收集的
目標檢測的loss是分類loss+定位loss，它與phrase ground的定位loss差不多，但是二者分類loss不同，因為對于目標檢測，它的標簽是一個或者兩個單詞，是one-hot標簽，但是對于vision grounding它的標簽是一個句子
目標檢測的分類loss：分類頭預測bonding box類別，nms排序，跟ground truth算交叉熵
vision grounding的分類loss：先計算匹配分數s，看看圖像中的區域和句子中的單詞是怎么匹配的。圖像經過image backbone得到一些region feature，但是接下來不用分類頭，而是一個文本編碼器生成的文本特征做相似度計算，得到s
改動：判斷什么時候算是一個positive match，什么時候算是negative match。當這些sub-words的phrase與目標region匹配時，每個positive sub-word都與目標region所匹配。例如，吹風機的phrase是“Hair dryer”，那么吹風機的region就會與“Hair”和“dryer”這兩個詞都匹配
中間的deep fusion是加幾個層讓文本和圖像的模態信息融合得更好一點?
)
