動画データにおけるGrad-CAMの適用

解決したいこと

動画分類で Grad-CAMを使って判断根拠を明示するコードを書きたいのですが、論文や記事を探してもなかなかわかりやすいのが出てきません。
画像分類におけるGrad-CAMの利用はよく見るのですが、それを動画データに応用できず困っています。
参考になる論文、コード、サイトなどがあれば、なんでも共有していただけると嬉しいです。よろしくお願い致します。