How2R

Amazon Mechanical Turk (AMT) 用于收集 HowTo100M 视频的注释。从 9,421 个视频中随机抽取 30,000 个 60 秒的剪辑，并将每个剪辑呈现给土耳其人，他们被要求选择一个包含单个独立场景的视频片段。在此段选择步骤之后，要求另一组工人为每个显示的段编写描述。不会向工作人员提供旁白，以确保他们的书面查询仅基于视觉内容。这些最终的视频片段平均长度为 10-20 秒，查询的长度范围为 8 到 20 个单词。在这个过程中，从 HowTo100M 中的 9,371 个视频中收集了 24k 60 秒剪辑的 51,390 个查询，平均每个剪辑有 2-3 个查询。视频剪辑及其相关查询分为 80% 训练、10% 验证和 10% 测试。