摘要
现有的视频理解数据集大多聚焦于人类交互场景，对在真实户外环境中录制的“野外”视频关注甚少。为此，我们提出了WILDQA——一个专为户外场景视频设计的视频理解数据集。除了视频问答（Video QA）任务外，我们还引入了一项新任务：针对给定的问题与答案，识别其对应的视觉证据（Video Evidence Selection）。通过在多种基准模型上进行广泛评估，我们证明了WILDQA为视觉与语言研究领域带来了全新的挑战。该数据集现已开放获取，地址为：https://lit.eecs.umich.edu/wildqa/。