我希望训练一个基于视频输入检测狗品种的模型。我有一个包含 10 个类的数据集，每个类有 30 个视频。问题在于，对于这些视频中的每一个，狗在整个视频过程中都没有出现。以下是数据集中 2 个视频的示例：
视频 1：后院视频（前 5 秒）--> 狗出现（15 秒）--> 周围建筑物视频（3 秒）
视频 2：草地视频（前 8 秒）--> 狗出现（3 秒）--> 附近人的视频（4 秒）
我假设如果我按原样在视频上训练我的模型，我的 CNN 会检测到冗余特征并因此给出不正确的输出。因此，我是否需要手动修剪 300 个视频中的每一个以仅显示狗出现的部分，或者是否有更简单的方法来解决这个问题？
这取决于规模。
我有几种情况，手动执行一项任务会节省时间，因为它不会在将来扩展或重复。
我认为您最多会为每个视频花费五分钟。那是三天的工作时间。如果您迫切需要数据，手动执行和/或委派会比尝试不同的解决方案更快，除非您在该领域有丰富的经验。
如果您有信心在不到一天的时间内实施并解决其中一种建议的方法（两阶段网络，帧到图像），那么我会试一试自动化。
但是，我认为您更有可能将它调试一周或更长时间。
因此，如果此任务是一次性的并且您现在需要数据，我建议手动执行此操作。
一种选择是创建分层系统。第一阶段可以是检测“狗”/“非狗”存在的模型。第二个圣人可能是“狗”是否存在，然后是特定品种。
许多卷积神经网络 (CNN) 是为图像设计的。因此，视频的分类将逐帧进行。
由于这是一项相对常见的任务，因此请找到一个预训练的 CNN，看看它在您的特定数据上的表现如何。如果性能不可接受，则标记您的数据并微调模型。
我会尝试分几个步骤来做到这一点：
希望这可以帮助！