摘要

为了理解世界，人类需要不断将现在与过去联系起来，并将事件置于特定的背景中。在本文中，我们使现有的视频模型具备了相同的能力。我们提出了一种长期特征库——在整个视频范围内提取的支持信息——以增强那些原本只能处理2-5秒短片段的最先进视频模型。实验结果表明，通过引入长期特征库来增强三维卷积网络，在三个具有挑战性的视频数据集（AVA、EPIC-Kitchens 和 Charades）上取得了最先进水平的结果。