人物行動の認識においては，画像情報だけでなく人物の骨格情報や動き情報など複数の情報を利用することで，認識精度の向上が期待できる．しかし，このようにマルチモーダルな情報を利用する手法は，学習や推論に要する計算リソースが増大するという問題を抱えている．マルチモーダルな情報を効果的・効率的に利用するためのアプローチが種々提案されているが，本稿では，手で物体を操作する動作の検出に対象を限定し，マルチモーダル情報を利用する複数のアプローチについて，検出精度や必要な計算リソースなどの観点から比較・検討を行う．