Video pooling computes video representation over the whole video by pooling all the descriptors from all the frames in a video.
在基于多个独立帧和局部时间描述子的视频表示中，常常需要把视频的所有帧的描述子进行pooling来表示整个视频。
Video Pooling的idea是encoding局部描述子，实现的手段是：使用Fisher向量，或者VLAD（Locally Aggregated Descriptors），或者BoW，来encoding局部描述子例如DenseSift，HoF，HoG，MBH等。通常认为FV/VLAD比BoW要好。
也可以使用FV/VLAD来encoding有CNN得到的局部时间（帧）特征。