在image caption 这个任务中，论文“Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” 中是对VGG-19的conv5_3的feature map(14*14*512)进行spatial attention。 具体来说是对196=14*14个 512维的向量进行attention。相比之下，论文“Image Captioning with Semantic Attention” 中是对图像中显示检测出的语义概念（单词)进行attention,性能有提升。 那么不禁让人产生推测，如果Visual attention 中借助 Faster RCNN中的Region Proposal Network 对conv5_3的feature map进行更加精细的语义概念（单词）区域划分，是不是可以结合Visual attention 和 Semantic attention 的优势，而不用像论文“Image Captioning with Semantic Attention”中那样需要额外的Atrribute 的显示检测？？？（不过只能检测名词，无法检测动词等）
