行動の進行度（Action Completeness）と行動における文脈（Action/Context）を考慮、時系列方向に対し階層的な特徴表現を行うMulti-branch Neural Netや誤りやすい動画区間をピックアップしたHard Negative Miningを行う。

ActivityNet v1.2データセットにおいて従来の18.0%から22.4%に向上させた。

時系列行動検出の問題設定は、人間によるアノテーションのコンセンサスが取りづらい(?)のと、教師ありの行動モデリングがある程度のレベルになっているので無/弱教師でもある程度のレベルでもできてしまうと推察。