DiDeMo (Distinct Describable Moments)

独特的可描述时刻 (DiDeMo) 数据集是给定自然语言描述的视频中事件的时间定位的最大，最多样化的数据集之一。视频是从Flickr收集的，每个视频最多修剪30秒。将数据集中的视频分为5秒段，以降低注释的复杂性。数据集分为训练、验证和测试集，分别包含8,395、1,065和1,004视频。数据集总共包含26,892个时刻，一个时刻可能与来自多个注释器的描述相关联。DiDeMo数据集中的描述是详细的，包含相机移动、时间过渡指标和活动。此外，对DiDeMo中的描述进行了验证，以便每个描述都指一个时刻。