DSSN (DAIICT Spatio-Temporal Network)

这个用于视频理解的时空动作数据集由 4 个部分组成：原始视频、裁剪视频、视频帧和注释文件。该数据集使用了一种新的时空动作多人标注方法。首先，我们使用 ffmpeg 来裁剪视频并为视频加框；然后用yolov5检测视频帧中的人，再用deep sort检测视频帧中人的ID。通过对yolov5和deep sort的检测结果进行处理，得到时空动作数据集的标注文件，完成时空动作数据集的定制工作。