Violin の正式名は VIdeO-and-Language INference で、ビデオとテキストのマルチモーダルな理解タスクに使用できます。

このデータセットには、582 時間以上のビデオを含む 15,887 個のビデオ クリップからの 95,322 個のビデオと仮説のペアが含まれています。これらのビデオ クリップには、さまざまな時間的ダイナミクス、イベントの変化、人間の相互作用を含む豊富なコンテンツが含まれています。データは 2 つのソースから収集されました: (i) 人気のテレビ番組、(ii) YouTube チャンネルのムービークリップ。