Vlogs

我们专注于生活方式vlog的类型，并构建一个新的数据集，由1,268迷你片段和14,769动作组成，其中4,340被标记为可见。我们描述和评估了几个基于文本和基于视频的基线，并引入了一种多模态神经模型，该模型利用了视觉和语言信息以及输入数据中可用的其他信息。我们证明，多模态模型一次胜过使用一种模态。