Dieser Bericht stellt den Ansatz vor, der bei der Einreichung für die Generic Event Boundary Detection (GEBD) Challenge auf dem CVPR21 verwendet wurde. In dieser Arbeit entwickeln wir ein Cascaded Temporal Attention Network (CASTANET) für GEBD, das aus drei Komponenten besteht: dem Backbone-Netzwerk, dem zeitlichen Aufmerksamkeitsmodul und dem Klassifikationsmodul. Insbesondere wird das Channel-Separated Convolutional Network (CSN) als Backbone-Netzwerk eingesetzt, um Merkmale zu extrahieren, während das zeitliche Aufmerksamkeitsmodul so gestaltet ist, dass es das Netzwerk dazu anhält, sich auf die diskriminierenden Merkmale zu konzentrieren. Anschließend wird eine kaskadierte Architektur im Klassifikationsmodul verwendet, um präzisere Grenzen zu generieren. Darüber hinaus wird eine Ensemble-Strategie angewendet, um die Leistung des vorgeschlagenen Verfahrens weiter zu verbessern. Das vorgeschlagene Verfahren erreicht einen F1-Score von 83,30 % auf dem Kinetics-GEBD Testset, was eine Steigerung des F1-Scores um 20,5 % gegenüber der Baseline-Methode darstellt. Der Quellcode ist unter https://github.com/DexiangHong/Cascade-PC verfügbar.