V2C (Video-to-Commonsense)

我们展示了直接从视频中生成常识字幕的第一项工作，以描述意图、效果和属性等潜在方面。我们提出了一个新的数据集“视频到常识（V2C）”，其中包含约 9k 个人类代理执行各种动作的视频，并用 3 种常识描述进行注释。