Obwohl in den letzten Jahren verschiedene bildbasierte Domänenanpassungstechniken (DA) vorgeschlagen wurden, ist der Domänenunterschied in Videos noch immer wenig erforscht. Die meisten früheren Arbeiten bewerten die Leistung nur an kleineren Datensätzen, die gesättigt sind. Zunächst schlagen wir daher einen größeren Datensatz mit einem größeren Domänenunterschied vor: UCF-HMDB_full. Zweitens untersuchen wir verschiedene DA-Integrationsmethoden für Videos und zeigen, dass die gleichzeitige Anpassung und das Lernen von zeitlichen Dynamiken effektive Anpassungen ermöglichen, selbst ohne komplizierte DA-Methoden. Schließlich stellen wir das Temporale Aufmerksamkeits-basierte adversarische Anpassungsnetzwerk (TA3N) vor, das explizit auf die zeitlichen Dynamiken fokussiert, indem es den Domänenunterschied nutzt, um eine effektivere Domänenanpassung zu erreichen. TA3N erzielt dabei den aktuellen Stand der Technik in drei Video-Domänenanpassungsdatensätzen. Der Code und die Daten werden unter http://github.com/cmhungsteve/TA3N veröffentlicht.