VidSTG 数据集是一个基于 VidOR 数据集构建的时空视频接地数据集。 VidOR 是一个视频关系数据集，包含 7,000 、 835 和 2,165 个视频，分别用于训练、验证和测试。时空视频接地（Spatio-Temporal Video Grounding task）任务的目标是定位未剪辑视频的时空部分，该部分与描述目标的给定句子相匹配。

Citation

@inproceedings{zhang2020does, title={Where Does It Exist: Spatio-Temporal Video Grounding for Multi-Form Sentences}, author={Zhang, Zhu and Zhao, Zhou and Zhao, Yang and Wang, Qi and Liu, Huasheng and Gao, Lianli}, booktitle={CVPR}, year={2020} } @inproceedings{shang2019annotating, title={Annotating Objects and Relations in User-Generated Videos}, author={Shang, Xindi and Di, Donglin and Xiao, Junbin and Cao, Yu and Yang, Xun and Chua, Tat-Seng}, booktitle={Proceedings of the 2019 on International Conference on Multimedia Retrieval}, pages={279–287}, year={2019}, organization={ACM} }