InternVid

InternVid是一个大规模的以视频为中心的多模态数据集，可用于学习强大且可迁移的视频-文本表示，用于多模态理解和生成。InternVid is a large-scale video-centric multimodal dataset that can be used to learn robust and transferable video-text representations for multimodal understanding and generation.

搜集汇总

背景与挑战

背景概述

InternVid是一个大规模视频-文本多模态数据集，包含超过700万个视频和2.34亿个片段，总时长近76万小时，用于学习视频-文本表示以支持多模态理解和生成。其核心贡献在于开发了一种基于语言模型的可扩展方法，用于构建高质量视频-文本数据，并引入了ViCLIP模型，在零样本动作识别和视频检索中表现领先。当前发布提供了子集InternVid-10M-FLT，包含1000万个视频片段，附带详细描述、美学评分和相关性分数。