EgoThink 第一人称视角下视觉问答基准数据集

EgoThink 是由清华大学提出的一个基于第一人称视角的视觉问答基准数据集。该数据集包含 700 张图像，涵盖了 6 个核心能力，细分为 12 个维度。 EgoThink 的图像来源于 Ego4D 第一人称视频数据集的采样图片，为了确保数据的多样性，每个视频最多只采样 2 张图片。

EgoThink is a first-person visual question answering benchmark dataset proposed by Tsinghua University. It contains 700 images covering 6 core capabilities, which are further subdivided into 12 dimensions. The images of EgoThink are sampled from the Ego4D first-person video dataset. To ensure data diversity, a maximum of 2 images are sampled from each individual video.

搜集汇总

背景与挑战

背景概述

EgoThink是由清华大学构建的第一人称视角视觉问答基准数据集，包含700张从Ego4D视频中采样的图像，覆盖6个核心能力和12个维度。该数据集通过人工标注，每个维度至少提供50个详细问答问题，旨在评估和提升视觉语言模型在第一人称视角任务中的性能，为具身人工智能和机器人研究提供资源。