Bei der Lernung von Bewegungserkennung werden Modelle typischerweise zunächst auf Objekterkennung mit Bildern, beispielsweise auf ImageNet, vortrainiert und anschließend auf Ziel-Aufgaben der Bewegungserkennung mit Videos feinabgestimmt. Dieser Ansatz hat insbesondere mit jüngsten transformerbasierten Videoarchitekturen gute empirische Ergebnisse erzielt. Während in jüngster Zeit zahlreiche Arbeiten darauf abzielen, fortschrittlichere Transformer-Architekturen für die Bewegungserkennung zu entwerfen, wurde bisher weniger Aufmerksamkeit darauf verwendet, wie Video-Transformer effektiv trainiert werden können. In dieser Arbeit untersuchen wir verschiedene Trainingsparadigmen und präsentieren zwei zentrale Erkenntnisse. Erstens profitieren Video-Transformer von einer gemeinsamen (joint) Trainingsstrategie auf diversen Video-Datensätzen und unterschiedlichen Label-Räumen (beispielsweise ist Kinetics auf Erscheinungsbild fokussiert, während SomethingSomething auf Bewegung fokussiert ist). Zweitens verbessert sich die Qualität der Video-Repräsentationen noch weiter, wenn die Video-Transformer zusätzlich gemeinsam mit Bildern (als Einzelbilder in Videos) trainiert werden. Wir bezeichnen diesen Ansatz als Co-training Videos and Images for Action Recognition (CoVeR). Insbesondere, wenn CoVeR auf ImageNet-21K basierend auf der TimeSFormer-Architektur vortrainiert wird, steigert es die Top-1-Accuracy auf Kinetics-400 um 2,4 %, auf Kinetics-600 um 2,3 % und auf SomethingSomething-v2 um 2,3 %. Bei Verwendung größerer Bilddatensätze, wie sie in vorherigen State-of-the-Art-Verfahren verwendet wurden, erreicht CoVeR die besten Ergebnisse auf Kinetics-400 (87,2 %), Kinetics-600 (87,9 %), Kinetics-700 (79,8 %), SomethingSomething-v2 (70,9 %) und Moments-in-Time (46,1 %), wobei lediglich ein einfacher räumlich-zeitlicher Video-Transformer verwendet wird.