ViTT는 비디오 타임라인 태그를 의미하며, 수동으로 생성된 세그먼트 수준의 주석이 포함된 8,169개의 비디오로 구성되어 있습니다. 이 중 5,840개의 영상은 한 번 주석이 달렸고, 나머지 영상은 두 번 이상 주석이 달렸습니다. 이 데이터 세트에 대해 총 12,461개의 주석 세트가 공개되었습니다. 이 데이터 세트의 비디오는 Youtube-8M 데이터 세트에서 가져왔습니다.

소환

@inproceedings{huang2020multimodal, 제목={밀집 비디오 캡션 생성을 위한 멀티모달 사전 학습}, 작성자={Huang, Gabriel 및 Pang, Bo 및 Zhu, Zhenhai 및 Rivera, Clara 및 Soricut, Radu}, 책 제목={AACL-IJCNLP 2020}, 년도={2020} }