本論文では、CVPR 2021のActivityNetワークショップにおけるAVA-Kineticsクロスオーバーチャレンジに対する我々の解決策を提示します。当該解決策は、空間時間的な行動検出のために複数の関係モデリング手法を利用し、2つの大規模ビデオデータセット上でこれらの関係モデリングをエンドツーエンドで統合する学習戦略を採用しています。また、メモリバンクを使用した学習と長尾分布（long-tailed distribution）へのファインチューニングも調査され、性能向上に寄与しています。本論文中では、我々の解決策の実装詳細を説明するとともに、実験結果とそれに関する議論を提供します。最終的に、AVA-Kineticsテストセットにおいて40.67 mAPを達成しました。