How 2R ist ein Datensatz zum textbasierten Videoabruf. Der Datensatz enthält 24.328 60er-Segmente und ihre 51.390 verwandten Suchbegriffe, die aus 9.371 Videos im HowTo 100M-Datensatz gesammelt wurden, mit durchschnittlich 2–3 verwandten Suchbegriffen pro Segment. Davon werden 80%-Daten zum Training, 10%-Daten zur Verifizierung und 10%-Daten zum Testen verwendet. How 2R und How 2QA sind neue anspruchsvolle Benchmarks, die zum Studium der Bereiche Videoabruf und Beantwortung von Videofragen verwendet werden können.

Zitat

@inproceedings{li2020hero,
title={HERO: Hierarchical Encoder for Video+ Language Omni-representation Pre-training},
author={Li, Linjie and Chen, Yen-Chun and Cheng, Yu and Gan, Zhe and Yu, Licheng and Liu, Jingjing},
booktitle={EMNLP},
year={2020}
}