従来研究として、各人物の関係性を示すActor Relation Graphを用いたグラフ畳み込みニューラルネットなどが挙げられるが、Transformer Encoderを導入したモデルを提案。また動的な情報としてRGBとOptical Flow、静的な情報として姿勢情報を導入しており、early fusionとlate fusionによる認識精度の比較を行い、その利点についても説明している。

Volleyball DatasetとCollective Datasetのどちらを使用した場合でもState-of-The-Artを達成。

ablation studyが非常に充実していると感じた。