ビデオ内のいくつかの one-action を含む complex-action を認識するために、時間方向の multi scale convolution である Timeception を提案した。 既存手法は 3D convolution を使用しており長い時間方向には多くの計算コストが必要だったが、Timeception は既存手法の8倍 (1028 steps) のモデリングが可能に。