这里的观点（$v_i$) 和对应的帧 ($f_i$) 未连接。 $v_i$ 只是一个索引 $f_i$. 正如他们在第 3.1 节中提到的，$v_i$ 是时间戳和 $f_i$是实际的帧（图像）。卷积网络$M_\theta$ 应用于 $f_i$， 不是 $v_i$.

卷积网络后 $M_\theta$, 不同帧的输出 $r_i$ 加在一起（注意图中的“+”，以及等式 $r=r_1+...+r_m$ 在第 3.2 节中。