把detection和phrase ground(对于给定的sentence，要定位其中提到的全部物体)这两个任务合起来变成统一框架，从而扩展数据来源，因为文本图像对的数据还是很好收集的

目标检测的loss是分类loss+定位loss，它与phrase ground的定位loss差不多，但是二者分类loss不同，因为对于目标检测，它的标签是一个或者两个单词，是one-hot标签，但是对于vision grounding它的标签是一个句子

目标检测的分类loss：分类头预测bonding box类别，nms排序，跟ground truth算交叉熵

vision grounding的分类loss：先计算匹配分数s，看看图像中的区域和句子中的单词是怎么匹配的。图像经过image backbone得到一些region feature，但是接下来不用分类头，而是一个文本编码器生成的文本特征做相似度计算，得到s

改动：判断什么时候算是一个positive match，什么时候算是negative match。当这些sub-words的phrase与目标region匹配时，每个positive sub-word都与目标region所匹配。例如，吹风机的phrase是“Hair dryer”，那么吹风机的region就会与“Hair”和“dryer”这两个词都匹配

中间的deep fusion是加几个层让文本和图像的模态信息融合得更好一点