VLM2Vec/MSR-VTT

MSRVTT数据集包含10K视频片段和200K字幕。该数据集遵循标准的`1K-A split`协议，是文本-视频检索领域的实际标准划分。训练集包括train_7k（7010个视频，140200个字幕）和train_9k（9000个视频，180000个字幕），测试集为test_1k（1000个视频，1000个字幕）。

MSRVTT dataset contains 10K video clips and 200K captions. The dataset follows the standard `1K-A split` protocol, which has become the de facto benchmark split in the `Text-Video Retrieval` field. The training set includes train_7k (7,010 videos, 140,200 captions) and train_9k (9,000 videos, 180,000 captions), and the test set is test_1k (1,000 videos, 1,000 captions).

搜集汇总

背景与挑战

背景概述

VLM2Vec/MSR-VTT是一个用于文本到视频、文本检索和视频分类任务的视频描述数据集，包含10,000个视频剪辑和200,000个英语描述，采用JSON格式。它采用标准的1K-A分割协议，包括train_7k、train_9k和test_1k子集，适用于跨模态学习研究。