Violin 视频和语言推理数据集

该数据集暂无下载资源提供,我们正在积极的准备提供更多的数据集

Violin 全称 VIdeO-and-Language INference,可用于对视频和文本进行多模态理解的任务。

该数据集包含来自 15,887 个视频剪辑的 95,322 个视频-假设对,包括超过 582 小时的视频。这些视频剪辑包含丰富内容,具有不同时间动态、事件变化和人际互动。数据是从两个来源收集的:(i) 流行电视节目,以及 (ii) 来自 YouTube 频道的电影剪辑。