细粒度体育视频描述数据集

细粒度体育视频描述数据集，Fine-grained Sports VideoNarrative Dataset (SVN)，是一个多人体育视频的内容描述数据集。该数据集由5903个视频及9623个句子构成。数据集中每个视频都有一段由几个句子组成的详细的描述段落，平均每个视频时常4.7s, 有1.6个标记的句子。段落中的每个句子涵盖了视频对应的一个特定的片段，并且这些片段在视频中的起止时间都已经被标注出来供提取使用，在分割动作片段（时间窗口）的时候是允许片段在时域上重叠的，符合实际的事件发生情况。数据集的主要应用于较为复杂的团队体育运动，选择团队体育运动视频是考虑到团队体育是体育运动中较为复杂的项目，其中既包含了较为细节的动作，也包含了较为频繁的多个体交互与角色识别，是体育项目中对于视频理解而言最为复杂的类别。