マルチラベルの場合、Softmax Lossに直接複数の正解ラベルを割り当てると各ラベルのスコアが互いに抑制されてしまうのを防ぐように自然な拡張を実現。更に人間でも判別が難しいラベルのつけ方が曖昧になりえる暗黙的なマルチラベルになる可能性が高いクラスを事前知識として持っておいて、それらのクラスも正規化での抑制を防ぐようにしているのが新規性。

Open Imagesの物体検出テストセットにおいて、60.90mAPを達成（従来と比較し3.34ポイントの大幅な改善）。

上記の新規性に加え、更に大規模データセットにおけるクラス間に頻度の差が多くあり、クラスでサンプリングを平等に保つと、頻度の高いクラスでは十分な学習が行われず頻度の低いクラスでは過学習気味になってしまうことを指摘。その緩和を行う適切なサンプリング方法を提案していたり、多くの進歩性の高い提案をしている。