VALUE は、Video-And-Language Understanding Evaluate の正式名称で、映像と言語の理解評価に関するデータセットです。このデータセットは 11 個の VidL (ビデオおよび言語) データセットのコレクションであり、テキストからビデオへの検索とビデオの字幕への 3 つの一般的なタスクに使用できます。 VALUE は、幅広いビデオの種類、ビデオの長さ、データ量、タスクの難易度をカバーすることを目指しています。 VALUE は、単一チャンネルのビデオの視覚情報に焦点を当てるだけでなく、ビデオ フレームとそれに関連する字幕情報を利用するモデルや、複数のタスクにわたって知識を共有するモデルも推進します。

VALUE データセットのベンチマークに使用されるデータセットは次のとおりです。TVQA 、 TVR 、 TVC 、 How2R 、 How2QA 、 ヴァイオリン 、 VLEP 、 ユークック2(YC2C、YC2R)、 バテックス