في هذا البحث، نقدم مفهوم تعلم الأحداث الفائقة الكامنة من مقاطع الفيديو النشطة، ونوضح كيف يفيد هذا المفهوم في اكتشاف الأنشطة في مقاطع الفيديو المستمرة. نعرّف الحدث الفائق على أنه مجموعة من الأحداث المتعددة التي تحدث معًا في مقاطع الفيديو بتنظيم زمني معين؛ وهو المفهوم المعاكس للأحداث الجزئية. تحتوي مقاطع الفيديو الواقعية على أنشطة متعددة ونادراً ما يتم تقسيمها (مثل مقاطع الفيديو للمراقبة)، وتعلم الأحداث الفائقة الكامنة يسمح للنموذج باستيعاب كيفية الارتباط الزمني للأحداث في مقاطع الفيديو. نصمم مرشحات بنية زمنية تمكن النموذج من التركيز على فترات زمنية فرعية معينة من مقاطع الفيديو، واستخدامها مع آلية الانتباه اللينة لتعلم تمثيلات للأحداث الفائقة الكامنة. يتم دمج تمثيلات الأحداث الفائقة مع شبكات CNN الإطارية أو القسمية لتوفير تعليقات على مستوى الإطار. تم تصميم نهجنا ليكون قابلًا للاشتقاق بالكامل، مما يمكن التعلم الشامل لتمثيلات الأحداث الفائقة الكامنة جنبًا إلى جنب مع كاشف النشاط الذي يستخدمها. تؤكد تجاربنا باستخدام عدة مجموعات بيانات فيديو عامة أن مفهوم تعلم الأحداث الفائقة الكامنة يفيد بشكل كبير اكتشاف الأنشطة، مما يطور التقنيات الرائدة في هذا المجال.