今まで学習の難しさや計算量の問題で Deep なネットワークではうまく行かなかった Visual Sequential タスクで、15層といった Deep なモデルで学習に成功した。 また、情報を temporal と representation で分けた RNN セル、及び overlap 間で情報を受け渡しつつ分割された長い系列のデータを学習に使う方法は初。

15層の Deep なモデルにより、既存の Shallow なモデルの性能を大きく上回った。Polygon-RNN の RNN の部分のみを提案モデルで置き換えることで、既存性能を約14%改善した。video future prediction のタスクでは同じく Deep なモデルで SoTA を2.4%更新した。

今まで学習が難しかった Deep な RNN による学習が成功したことで、CV系タスクのように性能が上がっていくことが期待できる。