mayton2019

Я могу ошибаться но с точки зрения современных видео-кодеков понятие кадр-в-секунду уже не существует. Грубо говоря кодек может фиксировать изменения с частотой 60Гц но алгоритмы сжатия не гарантируют что именно ПОЛНЫЙ кадр (все пиксели будут обновлены). За полседние лет 10 вообще создатели видео-кодеков - молодцы - прошли такой путь развития. Они научились детектировать панорамирование и очень умным образом кодировать только те фрагменты кадра которые интересны нашему глазу.

В качестве доказательства моих слов. Я предлагаю вам сгенерировать sequence картинок где есть рандомый цветной шум из пикселов и сжать его vdub или ffmpeg с нужной частотой и хорошим сжатием и потом посмотрите по кадрам что реально меняется и что сильно БЛУРИТСЯ и ГДЕ обновляется.

научить отличать собаку от кота, без прибегания к существующим базам

Тут есть один нюанс. База котов и собак уже заранее тегирована. Тоесть кто-то проделал колоссальную работу собирая фотки и раскладывая их на 3 кучки или три фолдера с картинками. Коты. Собаки. И черт-знает-что.

Если ты решил сам формировать свой учебный датасет - то тебе надо во первых собрать большое количество материала. Чем больше - тем лучше. И во вторых сесть и самому их тегировать.

В Java есть два фреймворка для работы с графикой. Swing. JavaFX. Выбери с которым ты собираешся дружить а дальше пойдут библиотеки.