Outside-Knowledge Conversational Video (OKCV) Dataset

该数据集是一个基于视频对话的数据集，它要求参与者利用外部知识来完成正确的对话，通过在输入和输出模式中融入时间维度，从而扩展了开放式知识视觉问答任务。该数据集要求视觉模型处理视频并处理不断发展的对话状态，同时还需要检索和整合外部信息。该数据集包含2,017个视频，5,986个人工标注的对话，这些对话由40,954个交替的对话轮次组成，其任务是进行对话式视频理解和问答。