VideoMind
收藏官方服务:
资源简介:
VideoMind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文本-视频表示,用于视频问答、视频检索等视频理解任务。
VideoMind is a large-scale video-centric multimodal dataset designed to learn robust and transferable text-video representations for video understanding tasks such as video question answering and video retrieval.
提供机构:
Dixin创建时间:
2025-05-21
搜集汇总
数据集介绍

背景与挑战
背景概述
VideoMind是一个全模态视频数据集,包含10.5万个视频样本(其中5千个专用于测试),每个样本均配有音频和从事实到意图的多层次文本描述,总计超过2200万单词。该数据集通过思维链文本生成方式增强深度认知理解,并提供主题、地点等标注,以支持下游识别任务,目前已发布V1版本及测试基准。
以上内容由遇见数据集搜集并总结生成



