シーン認識の精度向上のためにクロスモーダル変換とモダリティ固有の認識のタスクを統合するための統一されたフレームワークであるTRecgNetを設計した．変換タスクと認識タスクで同じエンコーダネットワークを共有するために変換情報を用いて認識タスクの学習を明示的に正規化することができ，最終的に汎化能力が向上した．

SUN RGB-DとNYUD2データセットで実証し，SOTAな結果を残すことができた．

タスクの問題に対して２つの視点からアプローチし，結果的に高い精度を残すことができたためだと考えられる．また，まだRGB-Dのシーン認識の手法が少ないためだと考えられる．