私たちはフレーズのグラウンド化（phrase grounding）の問題に取り組み、テキストと視覚モダリティが共有する多層共通意味空間を学習することにより解決しています。この方法では、ディープ畳み込みニューラルネットワークの複数レベルの特徴マップを利用するとともに、文字ベースの言語モデルから抽出した文脈化された単語および文の埋め込みを使用します。各レベルの視覚特徴、単語埋め込み、文埋め込みに対して専用の非線形マッピングを行った後、任意の対象テキストと視覚コンテンツとの比較をコサイン類似度で行う複数の共通意味空間の実現を得ます。さらに、多層マルチモーダル注意メカニズムを用いてモデルをガイドし、各レベルでの注目された視覚特徴を出力します。最適なレベルは、真値画像-文ペアの一貫性スコアを最大化するために選択され、テキストコンテンツと比較されます。3つの公開データセット上で行われた実験では、フレーズ位置特定において既存の最先端技術に対して有意な性能向上（相対的に20%-60%）が示され、これらのデータセットにおける新しい性能記録が樹立されました。また、我々は各要素の貢献度を示す詳細なアブレーションスタディを行い、コードをGitHub上で公開しています。