[论文笔记] Open-sora 2、视频数据集介绍 MSR-VTT

MSR-VTT

COVE - Computer Vision Exchange

论���参考：https://www.microsoft.com/en-us/research/wp-content/uploads/2016/06/cvpr16.msr-vtt.tmei_-1.pdf

        用于视频理解的大规模视频基准，特别是将视频翻译为文本的新兴任务。这是通过从商业视频搜索引擎收集 257 个热门查询（每个查询对应 118 个视频）来实现的。

        目前版本，MSR-VTT提供了 10K个网络视频片段，总计 41.2小时和20万个片段-句子对，涵盖了最全面的类别和最丰富的视觉内容，代表了最大的句子和词汇数据集。