MSR-VTT
COVE - Computer Vision Exchange
论文参考:https://www.microsoft.com/en-us/research/wp-content/uploads/2016/06/cvpr16.msr-vtt.tmei_-1.pdf
用于视频理解的大规模视频基准,特别是将视频翻译为文本的新兴任务。这是通过从商业视频搜索引擎收集 257 个热门查询(每个查询对应 118 个视频)来实现的。
目前版本,MSR-VTT提供了 10K个网络视频片段,总计 41.2小时和20万个片段-句子对,涵盖了最全面的类别和最丰富的视觉内容,代表了最大的句子和词汇数据集。