C2KD

该数据集由三个多模态数据集组成：CREMA-D（情感识别音频-视频数据集）、AVE（视听事件数据集）和 VGGSound（大规模视频-音频数据集）。原始数据为视频格式，需预处理为RGB图像帧和音频波形文件。这些数据集适用于跨模态知识蒸馏任务，旨在通过模态间知识迁移提升模型性能。数据预处理代码位于项目目录的utils/data/下。