一人称視点っぽい映像をスコアリングしつつ表現学習するスキームが新規。一人称視点映像が(1)オブジェクト中心である、(2) 手とオブジェクトのインタラクションがある、といった特徴を活かして、Egocentric likelihoodを定義する。これらを予測する蒸留タスクを設けて3D-CNNを学習することで、Kineticsなどの大規模映像データを用いた高精度な事前学習を実現した。

Kineticsデータセットから納得感のある一人称映像を抽出できた。このPre-trainingによって、一人称視点映像のデータセット（Charades-Ego、EPIC-Kitchens-100）でもSoTAを達成。

https://github.com/facebookresearch/Ego-Exo