STVGBert: A Visual-linguistic Transformer based Framework
              for Spatio-temporal Video Grounding
              Rui Su                        Qian Yu
        Platform & Content Group, Tencent         College of Software, Beihang University
             rayruisu@tencent.com                qianyu@buaa.edu.cn
                           Dong Xu*
          School of Electrical and Information Engineering, The University of Sydney
                         dong.xu@sydney.edu.au

              ...