A2D Sentences (Sentences for the Actor-Action Dataset (A2D))

Xu 等人的 Actor-Action 数据集 (A2D)。 [29] 作为一般演员和动作分割任务的最大视频数据集。它包含来自 YouTube 的 3,782 个视频，其中包含像素级标记的演员及其行为。该数据集包括八种不同的动作，而总共考虑了七个演员类别来执行这些动作。我们遵循 [29]，将数据集分成 3,036 个训练视频和 746 个测试视频。由于我们对句子中的像素级演员和动作分割感兴趣，我们用自然语言描述每个演员在视频中所做的事情来增强 A2D 中的视频。遵循 [12] 中提出的指导方针，如果视频中考虑了多个对象，我们会要求我们的注释者对每个演员实例进行有区别的引用表达。注释过程总共产生了 6,656 个句子，包括 811 个不同的名词、225 个动词和 189 个形容词。我们的句子以更精细的粒度丰富了 A2D 数据集中的演员和动作对。例如，A2D 中的演员成人可能在我们的句子中标注了男人、女人、人物和玩家，而动作滚动也可能是指在不同场景中描述不同演员时的翻转、滑动、移动和奔跑。我们的句子平均包含比 ReferIt 数据集 [12] 更多的单词（7.3 vs 4.7），即使我们省略了介词、冠词和连接动词（4.5 vs 3.6）。这是有道理的，因为我们的句子包含各种动词，而现有的引用表达数据集大多忽略动词。