关于如何把用绿色框标注的人脸序列进一步提取出来进行后续的特征提取工作？

[hardlucky2023]

作者您好，非常感谢您可以开源这么好的作品。我尝试使用了预训练 TalkNet 模型的 ASD Demo，并得到了相应的结果。在这里我想请教下您后续该如何把用绿色框标注出来的人脸序列从视频中提取出来呢（也就是用一些工具只把真是说话人的人脸提取出来，忽略红框中的人脸）？您可以提供一些思路给我吗？另外，我在自己的视频数据上做了些实验后，发现确实是如果一个人说话很短时，不容易被检测到，请问如果想在这方面做些改进的话，应该在哪部分可以改呢？期待您的回答，非常感谢！