オブジェクトインタラクションを考慮したVideo captioning。2ブランチのネットワークで構成：(1)オブジェクトインタラクションの時間遷移をグラフコンボリューションによりエンコード、(2)シーン全体のグローバルコンテキストをエンコード。(1)で得た知識を蒸留してVideo captioningモデル全体を学習することがポイント。