Deep learning 使用RCNN自动拍摄图像

我是机器学习新手。我一直在用NVIDIA数字来训练一个新的数据集。然而，我的数据集太不准确了，我认为这是因为图像中有太多的背景，它对实际对象是什么感到困惑。我的问题:

---

是否有办法（可能使用RCNN）裁剪出背景，然后继续使用裁剪后的图像进行训练？对象是一致的（例如，只有一个对象像一个单独的人，但背景中可能有人），并且总是单独存在。

您的数据集有多大？每个类别中有多少类别和多少图像？@gyuric大约有10000个图像和20个类别，因此每个类别最多有500个图像。