DiDeMo 时间定位数据集

DiDeMo 全称 Distinct Describable Moments，可用于在给定自然语言描述的情况下，对视频中的事件进行时间定位。数据集中的视频是从 Flickr 收集的，每个视频都被剪辑成最多 30 秒的片段。数据集中的视频被分为每 5 秒钟一个片段，以降低标注的复杂性。

DiDeMo, whose full name is Distinct Describable Moments, is designed for temporal localization of events in videos conditioned on natural language descriptions. The videos in this dataset are collected from Flickr, with each original video clipped into segments of up to 30 seconds. All videos in the dataset are further split into 5-second sub-segments to reduce annotation complexity.

搜集汇总

背景与挑战

背景概述

DiDeMo 时间定位数据集用于根据自然语言描述定位视频中的事件，其视频来自Flickr，被剪辑为30秒片段并分为5秒间隔以简化标注。该数据集包含训练、验证和测试集，总计26,892个时刻，每个时刻可能对应多个详细描述，且描述经过验证以确保指向单一时刻。