BOVText

我们创建了一个名为双语、开放世界视频文本 (BOVText) 的新大规模基准数据集，这是在各种场景中用于视频文本定位的第一个大规模和多语言基准。所有数据均来自快手和YouTube
BOVText主要有三个特点：
大规模：我们提供超过 1,750,000 帧图像的 2,000 多个视频，比现有最大的视频文本数据集大四倍。
开放场景：BOVText涵盖30+开放类别，场景丰富，如生活vlog、体育新闻、自动驾驶、卡通等。另外，标题文本和场景文本分别标记为两种不同的表示含义。视频。前者代表更多的主题信息，后者是场景信息。
双语：BOVText 提供双语文本注释，促进多元文化的生活和交流。