VidSTG

该数据集旨在评估视频对话模型在处理疑问句时的空间定位准确性。在评估定位精度时，选择性地处理提示，并提取相关的参照表达式，在视频帧中进行空间定位。该数据集的任务是视频中的空间定位。

This dataset is designed to evaluate the spatial localization accuracy of video dialogue models when handling interrogative questions. When assessing localization precision, prompts are selectively processed, relevant referring expressions are extracted, and spatial localization is performed within video frames. The task of this dataset is spatial localization in videos.

搜集汇总

背景与挑战

背景概述

VidSTG数据集是一个用于评估视频对话模型空间定位准确性的基准，特别关注模型在处理疑问句时对视频帧中对象的定位能力。其核心任务是在视频中进行空间定位，通过提取参照表达式来提升定位精度。