Cross-modal video moment retrievalタスクのための新たな手法を提案．このタスクはテキスト情報からビデオからそのテキストと対応付けたビデオのRetrievalを行う．このタスクでは、Fine-grainedなビデオとテキストの理解が必要であり、、この論文でグラフベースなビデオとテキストのFine-grained認識を行う．既存の2つのデータセットでSOTAを達成。