Der VidSTG-Datensatz ist ein räumlich-zeitlicher Video-Grounding-Datensatz, der auf der Grundlage des VidOR-Datensatzes erstellt wurde. VidOR ist ein Video-Relationship-Datensatz mit 7.000, 835 und 2.165 Videos zum Trainieren, Validieren und Testen. Das Ziel der Spatio-Temporal Video Grounding-Aufgabe besteht darin, die räumlich-zeitlichen Teile eines ungeschnittenen Videos zu lokalisieren, die einem gegebenen Satz entsprechen, der ein Ziel beschreibt.