HowToVQA69M 视频问答数据集

VQA 全称 Visual question answering，HowToVQA69M 是一个视频问答数据集，共包含 69,270,581 个问答，其规模比现有视频问答数据集 VideoQA 大两倍。

VQA stands for Visual Question Answering. HowToVQA69M is a video question answering dataset that contains a total of 69,270,581 question-answer pairs, with its scale twice as large as that of the existing video question answering dataset VideoQA.

搜集汇总

背景与挑战

背景概述

HowToVQA69M是一个大规模视频问答数据集，包含约6927万个问答，规模是现有视频问答数据集的2倍。每个视频平均生成43个12.1秒的片段，每个片段关联1.2个问答，问题和答案的平均长度分别为8.7和2.4个单词。该数据集高度多样化，拥有超过1600万个唯一答案，其中200多万个出现一次以上，30多万个出现10次以上。