動画を入力とするモデルの事前学習のために、静止画を用いた点。 静止画から Motion の疑似ラベルを作成し、そのラベルを用いてネットワークを学習させることで実現。

動画内の Motion Classification のタスクにおいて、提案手法で事前学習したモデルを fine-tuning したものと、事前学習を行わなかったもので Top1-Accuracy を比較を実施。提案手法の有効性を確認。 また、事前学習されたモデルに動画を入力したときに注目している部分に関してGrad-CAM で可視化を行うと、実際に動いている部分に注目していることを確認。