手法的な新規性がある。既存のVideo Dense Captioning手法ではBottom-upでまずビデオからevent proposalsを検出し、それぞれのproposalに対してキャプション生成する。提案手法が従来手法と逆で、まずビデオから全体的なストーリーをパラグラフにより生成。次にパラグラフの中の一つ一つのProposalとビデオのアライメントを行いながらセンテンスのリファインを行う

ActivityNet CaptioningベンチマークにおてSoTAを達成。

Stage-1の全ビデオからパラグラフの推定を行っている。Stage-1がうまく学習できるかどうかが知りたい。