NVIDIA 发布 RegVID300k 数据集, 应用在 视频理解、多模态学习 领域

NVIDIA 本次发布的数据集 RegVID300k, RegVID300k是由NVIDIA和延世大学联合创建的大规模区域级视频指令数据集，旨在支持视频和图像的区域级理解任务。该数据集包含98k个独特的视频，214k个区域，以及294k条区域级指令样本，数据来源于10个公开视频数据集。数据集通过自动化流水线生成，基于GPT4o的强大能力进行样本筛选和标注。RegVID300k的应用领域包括视觉常识推理、视频字幕生成和指代表达理解等任务，旨在提升多模态大语言模型在区域级理解任务中的表现。

查看RegVID300k

关于 NVIDIA , NVIDIA是一家全球领先的计算机技术公司，专注于图形处理单元（GPU）的设计和制造，以及人工智能和深度学习技术的开发。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。