画像/テキスト マルチモーダルでのイベント検出に対して特徴統合や注意機構（Attention Mechanism）によるネットワークを提案。さらに、画像側はDenseNet、テキスト側はBERTを使用、さらに双方の特徴に対して注意機構（Cross-Attention Module）を設置して設定したタスクにより90%前後の検出率を実現。

提案のSSE-Cross-BERT-DenseNetを用いて、訓練とテストが同じラベル・5カテゴリ（e.g. 自動車事故、インフラ事故）において91%の精度で検出可能。画像のみだと81%、テキストのみだと84%、アテンションなしだと88%なので、画像/テキストの使用やアテンションの追加が良好であることを示した。