研究でビデオデータを用いて、物体の検出および分類を一貫して行いたいと考えています。ビデオに写っている物体を検出しそれを各フレームごとにバウンディングボックスを使用して、それをCNNやLSTMを組み合わせて、分類することは可能ですか?
Yoloなどを利用することで可能かと思います。ご自身で実装したい場合も参考になるかと思います。