従来手法のvideo captioningでの事前学習は大規模な動画認識用データセットで動画エンコーダのみの事前学習を行っていたが、提案手法では発話の生成までをend-to-endで学習させることでエンコーダとデコーダの2つを同時に学習することができる。

YouCook2、ViTT、MSR-VTT、ActivityNet-CaptionsにおいてSOTAを上回る結果が得られた。

論文では提案手法は事前学習として大規模データセットを用いてファインチューニングを行っていたが、自己教師あり学習などの応用に使えそうと思った。