ActivityNet Entities

该数据集名为ActivityNet-Entities，它收集了具有边界框注释的名词短语，这些注释是在帧区域级别进行的，定义了一个4维元组（V, D, E, B），分别代表视频数量、描述、对象和边界框的数量。该数据集用于为RGL方法提供基准测试，并包含了视频字幕任务的详细注释。在规模上，它包含了训练集的10,000个视频、35,000个描述、432个对象和105,000个边界框；验证集的2,500个视频、8,600个描述、427个对象和26,500个边界框；以及测试集的2,500个视频、8,500个描述、421个对象和26,100个边界框。该数据集的任务是生成基于实体的视频描述。