Video Caption / 视频字幕：数据集总结

[2.1 MSR-VTT](#2.1 MSR-VTT)

[2.2 MSVD](#2.2 MSVD)

[2.3 VATEX](#2.3 VATEX)

一、背景

Video Caption / 视频字幕：常用指标（BELU-4，ROUGE-L，METEOR，CIDEr，SPICE）和数据集总结-CSDN博客Video Caption / 视频字幕：常用指标（BELU-4，ROUGE-L，METEOR，CIDEr，SPICE）和数据集总结https://blog.csdn.net/Crystal_remember/article/details/133126871 上篇文章总结介绍了Video Caption / 视频字幕的常用指标，本文接着总结Video Caption / 视频字幕的常用数据集。

目前Video Caption / 视频字幕常用数据集主要有MSR-VTT $1$ 、MSVD $2$ 、VATEX $3$ 。下main进行分别介绍。

二、介绍

2.1 MSR-VTT

MSR-VTT是一个通用的视频字幕数据集，包括10000个视频片段，每个片段都注释有20个字幕。平均地，每个视频剪辑持续约15秒。标准情况下通常使用6153个片段进行训练，497个片段用于验证，2090个片段用于测试。

如下为MSR-VTT数据集中的6个片段和标注的语句。每个片段包含四个帧来表示视频片段和五个人类标记的句子。

2.2 MSVD

MSVD包含1970个视频，每个视频片段有40个字幕。每个视频片段的平均持续时间约为10秒。常见情况下，包括使用1200个视频进行训练，100个视频进行验证，670个视频进行测试。数据集示例如下。

2.3 VATEX

VATEX是一个包含约41250个视频剪辑的大规模数据集，和 82.5 万中英文视频描述，其中包括超过 20.6 万描述是中英平行翻译对。每个视频片段的持续时间在10秒之间，每个片段手动注释10个英文字幕。

每个视频具备 10 个英文描述和 10 个中文描述，分别来自 20 个人类标注者。所有这些都描绘了相同的视频，因此彼此之间是平行的，而最后五个是彼此成对的翻译。

三、参考文献

$1$ Jun Xu, Tao Mei, Ting Yao, and Yong Rui. MSR-VTT: A large video description dataset for bridging video and language. In IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 5288--5296, 2016.

$2$ David L. Chen and William B. Dolan. Collecting highly parallel data for paraphrase evaluation. In Annual Meeting of the Association for Computational Linguistics, 2011.

$3$ Xin Wang, Jiawei Wu, Junkun Chen, Lei Li, Yuan-Fang Wang, and William Yang Wang. Vatex: A large-scale, highquality multilingual dataset for video-and-language research. In IEEE/CVF International Conference on Computer Vision, 2019