映画のシーンは、複雑な意味や、豊富な空間情報があるため、シーンを特定することが難しい。その課題に対して、150本の映画から27万本以上のショットを含む21Kシーンを収録した大規模データセット「MovieScenes」を事前学習させることで、シーンの特定について、大幅に精度を向上させた。