ActivityNet Entities 字幕数据集

ActivityNet-Entities 在 ActivityNet Captions 字幕数据集的基础上增加了 158k 边界框标注。每个标注都为一个名词短语。这些数据可用于训练视频描述模型。数据集演示了模型基于视频生成描述的有效性，也展示如何将图像描述应用于 Flickr30k 数据集上。

ActivityNet-Entities is an extension of the ActivityNet Captions subtitle dataset, with an additional 158k bounding box annotations. Each annotation corresponds to a noun phrase. These data can be used to train video captioning models. This dataset demonstrates the effectiveness of models that generate descriptions based on videos, and also illustrates how to apply image captioning approaches on the Flickr30k dataset.

搜集汇总

背景与挑战

背景概述

ActivityNet Entities 字幕数据集在ActivityNet Captions的基础上扩展了158k个边界框标注，每个标注对应一个名词短语，用于训练视频描述模型。该数据集展示了模型在视频描述生成中的有效性，并可应用于Flickr30k数据集。