Die Erkennung von Aktivitäten in unbeschnittenen Videos ist eine wichtige, aber herausfordernde Aufgabe. Die Leistung der vorhandenen Methoden bleibt unbefriedigend, z.B. haben sie oft Schwierigkeiten, den Anfang und das Ende einer langen und komplexen Aktion zu lokalisieren. In dieser Arbeit schlagen wir ein generisches Framework vor, das eine breite Palette von Aktivitäten aus unbeschnittenen Videos genau erkennen kann. Unser erster Beitrag besteht in einem neuen Vorschlagsschema, das Kandidaten effizient mit genauen zeitlichen Grenzen generieren kann. Der zweite Beitrag ist eine kaskadierte Klassifizierungspipeline, die explizit zwischen Relevanz und Vollständigkeit eines Kandidaten unterscheidet. Auf zwei anspruchsvollen Datensätzen für die zeitliche Aktivitätsdetektion, THUMOS14 und ActivityNet, übertrifft das vorgeschlagene Framework die bestehenden Stand der Technik-Methoden erheblich und zeigt eine überlegene Genauigkeit sowie starke Anpassungsfähigkeit bei der Verarbeitung von Aktivitäten mit verschiedenen zeitlichen Strukturen.