従来の時空間行動認識において、主な誤差の原因は行動の前後に存在する曖昧な状態（"transitional state"）であった。この曖昧な状態の判定をモデルに組み込むことで精度を向上させる。また、動画特徴量の抽出にはBi-ConvLSTMを用いている。