AVE

该数据集名为AVE，是AudioSet的一个子集，包含4143个长度为10秒的视频，涵盖28个不同的事件类别，如车辆声音、动物活动、乐器表演等。每个视频都提供了视频级别和片段级别的标签，并且具有清晰的时间边界。事件必须在听觉和视觉上都是可辨识的，并且至少持续两秒钟。该数据集包括原始测试集和修正测试集，分别称为O-AVE和C-AVE。整个数据集规模达到4143个视频，其任务是进行音频-视觉事件定位。

搜集汇总

背景与挑战

背景概述

AVE是AudioSet的子集，包含4143个10秒视频，涵盖28个事件类别，如车辆声音和乐器表演。数据集提供视频和片段级别标签，事件需在听觉和视觉上可辨识且持续至少2秒，包括O-AVE和C-AVE测试集，用于音频-视觉事件定位任务。