长时序依赖（long-term temporal dependency）是指在一个视频序列中，相隔较远的时间点上的信息有密切关联，这种关联对于理解视频内容是必不可少的。简单来说，视频中某一时刻的动作或事件，往往需要结合很久以前的画面信息才能完整理解。例如，在体育比赛视频中，某个得分动作的理解，可能依赖于之前几分钟的战术布置和队员位置变化；在监控视频中，一次异常行为可能与几十分钟之前的环境变化或人群行为模式有关。
长时序依赖的出现，反映了视频内容的时空复杂性和事件的非局部特性。视频语义的理解不仅需要局部时刻的信息，更依赖于多时间尺度的信息整合。忽视长时序依赖，视频分析模型很容易陷入“短视”状态，只能捕捉近邻帧间的变化，导致事件识别不完整、误判增多，甚至无法理解视频的因果链条。
因此，从任务需求上来看，能够有效提取和利用长时序依赖信息，是视频内容分析走向智能化、语义化的关键一步。

2. 计算机视觉模型在视频分析中的传统框架
为了理解长时序依赖难以捕捉的原因，首先回顾计算机视觉中视频分析的主流技术框架。
2.1 卷积神经网络（CNN）和3D卷积
传统计算机视觉依赖卷积神经网络对空间信息建模。针对视频，3D卷积（3D CNN）在空间和时间维度上同时进行卷积操作，捕捉局部的时空特征。尽管3D卷积能够建模短期时序变化（通常在几十帧内），但其感受野有限，计算复杂度急剧增长，难以扩展至长时序信息的捕获。
2.2 循环神经网络（RNN）及其变种
为了解决时间序列数据的依赖问题，研究者引入了循环神经网络（RNN），尤其是长短时记忆网络（LSTM）和门控循环单元（GRU），用于视频帧序列的特征学习。RNN可以在一定程度上建模较长时间的依赖，但在实际应用中，由于梯度消失/爆炸、序列过长导致的记忆容量限制，RNN难以有效捕捉非常长的时序依赖。
2.3 Transformer及其在视频分析中的应用
近年来，基于自注意力机制的Transformer模型被引入视频分析。Transformer以并行计算、全局依赖建模的优势，理论上适合捕捉长时序信息。但其计算复杂度随序列长度平方增长，实际处理长视频时依然受限，且对训练数据量和计算资源的需求极高。