저자들은 논문을 통해 방송 콘텐츠 영상에서 장소를 인식하기 위하여, 다중 이미지 입력에 기반한 장소 인식 모델을 설계 및 제안하였다. 다중 이미지 샘플링 방법, 이미지에 대한 어텐션(attention) 방법, NetVLAD와 같은 융합 방법의 적용 유무에 따른 다양한 모델에 대하여 성능 테스트를 진행하였다. 테스트를 위해 47가지 종류의 장소를 정의하였고, 영화 8편, 드라마 10편, 시트콤 24편을 수집하여 데이터 셋을 작성하였다.

연구 결과 이미지 셋에서 배경 인식에 적합하지 않은 이미지가 포함되더라도 어텐션(attention) 방법으로 가중치를 조절하여 기존의 단일 이미지 기반의 배경 인식보다 높은 성능을 보이는 것으로 확인되였다. 제안한 장소 인식 모델은 데이터 셋에서 mAP 기준으로 0.35(top-1), 0.66(top-5)의 성능을 보여주었다.