التمثيلات المكانية-الزمانية في سلاسل الإطارات تلعب دورًا مهمًا في مهمة التعرف على الحركات. في السابق، أثبتت طريقة استخدام التدفق البصري كمعلومات زمنية بالاشتراك مع مجموعة من صور RGB التي تحتوي على معلومات مكانية فعالية كبيرة في تعزيز أداء مهام التعرف على الحركات. ومع ذلك، فإنها تتطلب تكلفة حسابية باهظة وتستلزم إطار عمل ذو تيارين (RGB والتدفق البصري). في هذا البحث، نقترح شبكة MFNet (شبكة الخصائص الحركية) التي تحتوي على كتل حركية تجعل من الممكن ترميز المعلومات المكانية-الزمانية بين الإطارات المجاورة ضمن شبكة موحدة يمكن تدريبها من البداية إلى النهاية. يمكن ربط الكتلة الحركية بأي إطار عمل قائمة على الشبكات العصبية التلافيفية (CNN) للتعرف على الحركات بتكلفة إضافية صغيرة فقط. قمنا بتقييم شبكتنا على مجموعتين من بيانات التعرف على الحركات (Jester و Something-Something) وحققنا أداءً تنافسيًا في كلتا المجموعتين عن طريق تدريب الشبكات من الصفر.