视频提取单元，用于提取所有采样时刻视频帧的深度特征，深度特征包括采样时

Vídeóútdráttareiningin er notuð til að draga út dýptareiginleika myndrammanna við öll sýnatökustundir. Dýptareiginleikarnir fela í sér merkingarfræðilega eiginleika á háu stigi og nákvæma eiginleika hegðunarinnar í myndrammunum á sýnatökustundinni. Geislunartæki fyrir rýmishluta er stillt til að afla sér rýmiskynslóðareiginleikanna sem notaðir eru til að tjá hegðun myndrammans á núverandi augnabliki byggt á nákvæmum eiginleikum myndrammans á sýnatökustundinni. Atferlisgreiningareiningin er notuð til að setja rýmislegan eiginleika og merkingarfræðilega eiginleika inn í LSTM líkanið saman til að framkvæma atferlisgreiningu á myndrammanum á þessari stundu.

Vídeó útdráttur eining sem dregur dýpt einkenni vídeó ramma á öllum úrbeinuð augnablik, þar á meðal hár-láréttur láréttur legur og smáatriði lögun hegðun í vídeó ramma á sýnatöku augnablik. The rúm-tími lögun kaup eining, sem er notað til að fá pláss-tími lögun notað til að tjá hegðun vídeó ramma á yfirstandandi augnabliki byggt á smáatriðum einkenni vídeó ramma á úrbeinuðu augnabliki. Hegðunargreiningareining, sem er notuð til að slá inn LSTM-líkanið ásamt merkingarfræðilegum eiginleikum á háu stigi til að bera kennsl á hegðun myndrammans á líðandi stundu.