Video 对于同一数据集，如何通过合并两个具有不同输入的相同深度模型来进行预测？

我正在研究动态手势识别。我有两种类型的输入：裁剪的手图像（比如，输入1）和一组运动图像（输入2）

输入1：仅手的非常小的图像，每个视频序列的帧数=20

输入2：正常大小（1080*1920*3）的运动图像，每个视频序列的帧数=4

使用的模型：LSTM

当我在单个输入（Let，裁剪的手图像）上训练模型时，然后在测试集中，我只给出裁剪的手图像。类似地，在运动图像的情况下。 问题:

当我合并这两个模型时，如何生成测试集？我是否应该保留每个手势样本的裁剪手图像和运动图像

如果1的答案是肯定的，那么当我可以在一开始合并两个输入时，为什么我要合并这两个模型呢？两种情况都是一样的。对吗？是否只有当两个模型不同时才应该合并两个模型

即使这两种模型不同，并且1的答案是肯定的，那么我是否必须使两种类型的输入的大小相同：裁剪的手和运动图像

如果我想合并两个输入而不是模型（如果模型相同），那么我应该使两种类型图像的输入大小相等吗

在合并输入或模型时，必须牢记的任何提示/建议

我编写的代码如下所示：

# Model.
model_1 = Sequential()
model_1.add(LSTM(2048, return_sequences=False,
                   input_shape=self.input_shape,
                   dropout=0.5))
model_2 = Sequential()
model_2.add(LSTM(2048, return_sequences=False,
                   input_shape=self.input_shape,
                   dropout=0.5))
mergedOutput = Concatenate()([model_1.output, model_2.output])
    
model = Dense(512, activation='relu')(mergedOutput)
model = Dropout(0.5)(model)
model = Dense(self.nb_classes, activation='softmax')(model)

optimizer = Adam(lr=1e-5, decay=1e-6)
self.model.compile(loss='categorical_crossentropy', optimizer=optimizer,
                       metrics=metrics)

我第一次做视频和合并的概念，所以请容忍我。此外，我已经阅读了许多关于quora和StackOverflow的答案，但我仍然不知道如何去消除这个疑问。 提前谢谢