如何将不同尺度的视频卷转换为描述符

我读了这篇文章(链接(，并尝试理解在那里呈现的算法。
因此，现在我了解了本文几乎所有的观点，但是有疑问：

如何将不同尺度的视频卷转换为描述符？

据我了解，如果我的视频具有100帧的120*160，那么我将其应用具有不同尺度的密集比例(例如[5*5*5, 10*10*10, 20*20*20](，那么我将分别获得[15360, 1920, 240]立方体。但是，在此之后，我需要为它们制作描述符，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，因此[125, 1000, 8000](。

我认为是为每个像素立方体创建的解决方案之一，之后将它们与长度为9125的一个向量进行连接。这是对的吗？