近年、ラベルを使用せずに入力データのみから表現方法を学習する自己教師あり学習（Self-Supervised Learning）の研究が盛んにおこなわれており、動画認識の分野においてもそれは例外ではない。動画認識において代表的なタスクである行動分類タスク（一つの動画から一つの行動を推定するタスク）においては、時空間的情報を積極的に利用した自己教師あり学習の手法が提案され、認識精度の向上を達成している。本研究は行動検出タスク（一つの動画から複数の人物を検出し、それぞれの行動を推定するタスク）のデータセットを用いた自己教師あり学習の手法を提案する。