一般的な人間の行動は数秒間持続し、特徴的な空間時間構造を示します。最近の手法では、この構造を捉え、畳み込みニューラルネットワークを使用して行動表現を学習しようと試みています。しかし、このような表現は通常、数フレームのレベルで学習されるため、行動の完全な時間的範囲をモデル化することができません。本研究では、長期時間畳み込み（Long-Term Temporal Convolutions: LTC）を持つニューラルネットワークを使用してビデオ表現を学習します。我々は、時間的範囲が拡大されたLTC-CNNモデルが行動認識の精度を向上させることを示しています。また、ビデオピクセルの原始値や光流ベクトル場などの異なる低レベル表現の影響も調査し、高品質な光流推定が正確な行動モデルの学習に重要であることを示しています。我々は、人間の行動認識における2つの困難なベンチマークデータセットUCF101（92.7%）とHMDB51（67.2%）で最先端の結果を得ました。