Современные системы анализа видео сталкиваются с необходимостью обработки длинных последовательностей наблюдений, в которых важная информация может быть разделена большими временными интервалами. В отличие от коротких видеоклипов, где весь объём данных можно обработать одновременно, длинные последовательности требуют специальных механизмов: сжатия истории наблюдений, поиска релевантного контекста, выборочного обращения к ключевым фрагментам и поддержания согласованного представления динамически изменяющейся сцены. Особенно остро эта задача стоит в робототехнике и навигации воплощённых агентов, где для выполнения инструкции агент должен опираться на пространственно-временную память о собственных действиях, чтобы восстановить последовательность событий и спланировать маршрут на основе накопленного опыта.

В рамках семинара будут рассмотрены различные методы работы с длинными видеопоследовательностями, включая стратегии отбора наблюдений, использование векторных представлений и внешних хранилищ для поиска релевантной информации, а также подходы к построению долговременных представлений сцены на основе пространственно-временной информации. Отдельное внимание будет уделено ограничениям существующих подходов.