TL;博士

这个有可能。您需要一个正确标记的数据集。您的数据集有两个标签：

$y\in \{\text{background},\text{object in frame}\}$或者干脆$y\in \{0,1\}$

这种标记避免了仅在帧中有对象时才需要知道帧中有什么对象。

具有相似目标的示例

这是一篇试图在框架中对动物进行分类的论文（链接）。他们管道的第一部分需要知道框架中是否有动物。摘抄：

任务 I：检测包含动物的图像。对于这个任务，我们的模型将图像作为输入并输出描述图像是否有动物的两个概率（即二元分类）

这是另一篇关于在图像中检测动物的论文（链接）。摘抄：

野生动物检测，它实际上是一个二元分类器，能够将输入图像分为两类：“动物”或“非动物”

这些论文中使用的方法可以适应传送带用例。

这是一个使用背景提取检测移动对象的系统（链接）。他们用来检查图像是否为背景图像的方法可以适应您的用例。

实施思路

在传送带用例中，一个非常简单的模型可能会起作用。因此，建议您先尝试一个简单的模型。例如，您可以将输入展平为向量并将其馈送到浅层前馈网络。一个简单的逻辑回归分类器甚至可以处理这个用例的扁平化输入。

如果使用简单模型未达到您想要的性能，您可以使用学习曲线等方法分析它们的性能，以决定如何继续。

如果您发现您的模型具有高偏差：

您可以使用更大/更深的模型（如自定义调整的CNN），也可以使用预训练网络（如VGG16）并使用迁移学习来实现您的目标。

这是一篇描述使用 CNN 对猫与狗进行分类的帖子（链接）。只需用您的对象/无对象数据集替换猫/狗数据集。这篇文章甚至描述了使用 VGG16 进行迁移学习。

如果您发现您的模型具有高方差

更多数据可以提供帮助。此外，在传送带示例中，手动标记数据将变得简单快捷。因此，获得更多示例不会花费太多时间。

我希望这有帮助。