本研究では，画像-言語のマルチモーダルタスクにおいて，訓練済み単語ベクトル（GloVe）やCNN（VGG16，ResNet152）に相当するような，再利用可能な学習済みコンポーネントを構築すること目的とする．本稿では，その一例として，画像と言語の情報を共通のベクトル空間に埋め込むことを考える．共通ベクトル空間を構築するにあたって，画像と言語の情報をどのような粒度で用いれば良いのかは，自明ではない．そのため，複数の粒度について埋め込みを学習し，各共通ベクトル空間を「を定性的・定量的に分析することで，両者の持つ性質を明らかにする．実験から，適切な粒度で訓練データを増やすことで，共通ベクトル空間の性能を向上させられることがわかった．