VidOR

VidOR（视频对象关系）数据集包含来自 YFCC100M 集合的 10,000 个视频（98.6 小时）以及大量用于关系理解的细粒度注释。特别是，80 类对象用边界框轨迹进行注释，以指示它们在视频中的时空位置；并且在具有起始和结束帧索引的所有注释对象对中注释了50类关系谓词。这导致大约 50,000 个对象和 380,000 个关系实例被注释。为了使用该数据集进行模型开发，该数据集分为 7,000 个用于训练的视频、835 个用于验证的视频和 2,165 个用于测试的视频。

AI搜集汇总

背景与挑战

背景概述

VidOR是一个视频对象关系数据集，包含10,000个视频，专注于细粒度的视觉关系检测和标记，涵盖80类对象和50类关系谓词，总计约50,000个对象和380,000个关系实例。该数据集主要用于视频中的时空关系理解研究，并已划分为训练、验证和测试集，以支持模型开发。