视频分类 + 自建数据集

视频分类算法的主要思想是通过检测视频中的人物，分析视频中的人物特征，如真实人物与动画人物在纹理细节、颜色风格、光影效果等方面的区别，进而进行分类。这一过程中，算法首先通过目标检测模型识别定位视频中的人物。接着，通过提取人物的视觉特征并分析其纹理、光影变化、颜色分布等信息，结合图像分类模型，对视频中的人物进行特征分类。最终，利用这些分类结果，对整个视频的类别进行判定。

为了构建一个大规模、丰富的超分数据集，真实场景数据集的训练集包含14373张图像，测试集包含1597张图像；动画场景数据集的训练集包含11968张图像，测试集包含3488张图像。该数据集将为超分辨率模型的训练提供大量高质量的图像样本，提升模型的泛化能力和超分效果。自建数据集的思路是针对不同场景（真实场景和动画场景）收集高质量的4K视频数据，并最大程度地适应4K终端显示的要求。具体而言，真实场景数据集包括DF2K和高质量原盘4K视频，动画场景数据集则采用高质量原盘4K视频。为了确保数据质量，借鉴APISR数据集整理的思路，采用预训练的IC9600模型从指定的视频文件夹中提取出最具信息量、最具代表性且压缩最少的高质量图像。这些图像将作为训练数据，确保最终模型能够适应4K终端的显示需求，并在图像质量和细节恢复方面取得较好的效果。