视觉检索任务(Visual Grounding,VG)的目的在于通过一句自然语言的查询,去定位一张图像中与该查询语句最相关的物体或区域。通常来说,为了完成这一任务,我们需要一个模型去理解查询语句,识别图像中的关键概念,然后通过确定目标物体的边框(bounding box)来定位物体的位置。然而,在实际应用中,我们不得不面对有歧义的查询语句和结构复杂、场景多样的图像。因此,根据高度冗余和相互关联的信息来识别目标非常具有挑战性,常无法得到令人满意的结果。为了解决这个问题,在本文中,我们为视觉检索任务中的各种输入信息分别设计了一个注意力模块,以减轻该信息的内部冗余。然后,我们提出了一种累积式注意力(Accumulated-Attention,A-ATT)机制来对所有的注意力模块进行联合推理。用这个方法,不同输入信息之间的互相关性可以被更好的建模。此外,为了提升我们VG模型的性能和稳定性,我们还在训练过程中引入了噪声,用来缩小人工标注的训练数据和现实世界中低质数据的分布差距。在“噪声”训练策略的帮助下,我们可以进一步训练一个边框回归器(bounding box regressor),用来改进目标物体的边框,以更精确的定位物体的位置。为了验证本文方法的有效性,我们在四个主流的数据集(Refer COCO,Refer COCO+,Refer COCOg,和Guesswhat?!)上评估了我们提出的方法。实验结果表明我们的方法在速度和准确性方面都显著优于所有之前的工作。