動画のどのパートが、タスクのどのステップに該当するか検出する研究。タスク個別の分類機を作るのでなく、ミルク/入れる/かき混ぜるといった個別の対象・動作別の分類機を作り、それらの結果を合わせることで判定を行なう。これにより判断を転移性能を向上させることを試みている。学習時はステップのリストは与えるが動画パートのどの箇所に当たるかは与えない(weakly supervised)。