我阅读了这篇文章（链接）并尝试理解那里介绍的算法。
所以，现在我几乎理解了这篇文章的所有观点，但有疑问：
如何将不同比例的视频量（密集采样后）转换为描述符？
据我了解，如果我有 100 帧 120*160 的视频，那么我应用不同比例的密集比例（例如[5*5*5, 10*10*10, 20*20*20]），然后我将分别得到[15360, 1920, 240]立方体。但是，在那之后我需要为它们中的每一个制作描述符，并且描述符的长度必须相同（在本文中描述符的长度与立方体的大小相同，所以[125, 1000, 8000]）。
我认为的解决方案之一是为每个像素立方体创建不同比例的，然后将它们连接到一个长度为 9125 的向量中。对吗？