Um die Welt zu verstehen, müssen wir Menschen ständig das Gegenwärtige mit der Vergangenheit in Beziehung setzen und Ereignisse in ihren Kontext einordnen. In dieser Arbeit ermöglichen wir bestehenden Video-Modellen, dies ebenfalls zu tun. Wir schlagen eine Langzeit-Feature-Bank vor – unterstützende Informationen, die über die gesamte Dauer eines Videos extrahiert werden –, um den neuesten Video-Modellen zu helfen, die ansonsten nur kurze Ausschnitte von 2-5 Sekunden betrachten würden. Unsere Experimente zeigen, dass die Erweiterung von 3D-Faltungss Netzwerken (3D convolutional networks) durch eine Langzeit-Feature-Bank auf drei anspruchsvollen Videodatensätzen – AVA, EPIC-Kitchens und Charades – zur Erzielung von Spitzenresultaten führt.