Transformerベースの新たなVideo Captioning手法を提案した。既存のVideo Captioning手法のほとんどは2-stageから構成し、既存手法の精度がかなりStage-1となるEvent 検出に依存する。ここで、Transformer構造をビデオに合わせて最適化しながらVideo Captioningタスクに適応し、1-stageのモデルを新たに提案。