ActivityNet Entities

ActivityNet-Entities 基于视频描述数据集 ActivityNet Captions 并使用 158k 边界框注释对其进行扩充，每个边界框注释都以名词短语 (NP) 为基础。在这个挑战中，我们将使用预处理的基于对象的注释，将单个对象词链接到视频中的相应区域。这给出了 432 个唯一的对象类别。
原始数据集由 10k/2.5k/2.5k 视频组成，用于训练/验证/测试。每个拆分有 35k/8.6k/8.5k 事件片段和句子描述以及 105k/26.5k/26.1k 边界框注释。我们进一步收集了一个新的隐藏测试集，其中视频描述不公开。这使我们能够可靠地评估视频描述质量和对象定位质量。

搜集汇总

背景与挑战

背景概述

ActivityNet Entities是基于ActivityNet Captions视频描述数据集扩展而来的，通过158k边界框注释增强了对象定位能力，覆盖432个唯一对象类别。该数据集包含训练、验证和测试视频，分别对应大量事件片段、句子描述和边界框注释，并引入隐藏测试集以可靠评估视频描述和对象定位质量。