動画の分類を行った際、何故他のクラスに分類されなかったのかを動画内の画像の切り抜きと言語によって説明したというもの。 分類器は事前学習されたものを用いており、各クラスごとのpositive、negative両方の確率を計算することで手法の定量化を図っている。画像の切り抜きの際にはmaximum subpath poolingと呼ばれる新しいプーリング手法を使っている。