我有1000个视频（编号为1到1000），每个视频中都有人跳舞（OK或NG），我想从这1,000个视频中学习一个模型。这个模型可以告诉我谁跳舞不严重（例如，50号NG），我读了很多论文，但我的想法有点乱。
我的想法是将每个视频分割成帧，然后使用图像分类技术 CNN 创建一个简单的二元分类器（OK或NG）。最后，如果将来会有一个新视频，这个模型可以通过这个二元分类器告诉我OK或NG类别。但问题是OK或NG在每一帧中都太相似，它确实无法识别。我该如何解决这个问题？
答案 0 :(得分：1)
您是否考虑过使用您的操作微调现有的动作识别数据集？如果您的视频很长，您可能需要将每个视频停留在短视频剪辑中并在窗口上应用该模型。行动认可是研究的前沿领域，因此强有力的解决方案充其量只是新生。
答案 1 :(得分：0)
您目前只是在寻找空间特征，但可能是最重要的相关性发生在时间轴上。例如。人们如何从一个框架移动到另一个框架。
这样做的一种流行方式是建立一个循环卷积神经网络，这是一个独立的高级主题。
您还可以尝试将固定数量的连续帧投放到CNN模型中并使用 3D CNN 。