動画から主体・客体とそれらの関係性を抽出する視覚的関係性検知に関する論文。従来法では、まず前段で物体検知とトラッキングによりトラックレットを生成し、後段でトラックレットの組に対して関係性の有無と（関係性がある場合は）その分類を行う。この多段構成が持つ限界を打破するのが本研究の目的。