静的画像のみを用いた空間方向の補足だけでなく，時間方向の特徴量を捉える．

マルチビューの画像に対して物体，物体間の関係性，人物姿勢の特徴量を抽出することができるIntra and Inter Transformersを提案することで，時空間的な特徴量を学習することに成功した．