ビデオ タイムライン タグの正式名である ViTT は、人工的に生成されたセグメント レベルの注釈が付いた 8,169 個のビデオで構成されています。このうち、5,840 ビデオには 1 回アノテーションが付けられ、残りのビデオには 2 回以上アノテーションが付けられました。このデータセットでは、合計 12,461 セットのアノテーションがリリースされました。このデータセット内のビデオは、Youtube-8M データセットから取得されています。

引用

@inproceedings{huang2020multimodal, タイトル={高密度ビデオキャプションのためのマルチモーダル事前学習}、 author={Huang、Gabriel と Pang、Bo と Zhu、Zhenhai と Rivera、Clara と Soricut、Radu}、 書籍タイトル={AACL-IJCNLP 2020}、 年={2020} }