Die Faltung gilt mit großer Wahrscheinlichkeit als die wichtigste Merkmalstransformation für moderne neuronale Netze und hat maßgeblich zum Fortschritt des tiefen Lernens beigetragen. Die jüngste Einführung von Transformer-Netzwerken, die Faltungsschichten durch Selbst-Attention-Blöcke ersetzen, hat die Beschränkungen stationärer Faltungskerne aufgezeigt und die Tür für die Ära dynamischer Merkmalstransformationen geöffnet. Die bisherigen dynamischen Transformationen, darunter die Selbst-Attention, sind jedoch für die Videoverstehensaufgaben eingeschränkt, da sie Korrespondenzbeziehungen in Raum und Zeit – also Bewegungsinformationen – nicht ausreichend erfassen können. In dieser Arbeit stellen wir eine relationale Merkmalstransformation vor, die als relationale Selbst-Attention (RSA) bezeichnet wird und durch dynamische Generierung von relationalen Kernen sowie die Aggregation relationaler Kontexte die reichhaltigen Strukturen räumlich-zeitlicher Beziehungen in Videos nutzt. Unsere Experimente und Ablationstudien zeigen, dass das RSA-Netzwerk die Leistung von Faltung und Selbst-Attention deutlich übertrifft und die aktuell besten Ergebnisse auf den etablierten, bewegungsorientierten Benchmarks für Videoaktionserkennung erzielt, wie beispielsweise Something-Something-V1 & V2, Diving48 und FineGym.