当前多模态大模型技术快速迭代，视频语义理解、社会感知类AI应用的商用落地需求持续攀升，但面向动态真实社交场景的高质量标注数据集长期存在供给缺口——传统视频数据集大多仅覆盖静态人物识别、位置标注，既缺乏对人物重要性随时间动态变化的时序标注，也缺少对重要性判断逻辑的可解释性支撑，成为制约时序社会场景理解技术落地的核心瓶颈之一。
在此背景下，武汉科技大学联合武汉大学等机构共同打造的Temporal-VIP数据集正式亮相，作为国内稀缺的大规模视频重要人物识别基准数据集，其核心定位就是解决动态视频场景中社会重要性识别的时序重要性转移问题，填补了该领域精细化标注基准的供给空白。
据公开信息显示，Temporal-VIP共包含9249个经过严格筛选的真实场景视频片段，覆盖演讲、会议、访谈等11类主流现实社交场景，所有片段均完成了三重精细化标注：除行业通用的帧级重要人物标注、个体跟踪标识、人物边界框之外，还额外配有社会重要性判断的文本依据，整个数据集通过结合视觉分析与社会语义理解的多模态标注流程构建，标注质量与标注维度均处于行业领先水平。
从应用场景来看，该数据集的落地价值覆盖学术研究与产业应用两大领域：在学术端，其为可解释的视频社会场景理解研究提供了标准化的测试与训练基准，可支撑时序识别、多模态推理等前沿技术的迭代；在产业端，该数据集可广泛应用于智能监控、自动视频编辑、社会感知人机交互等多个赛道：在智能监控场景，可支撑大型活动、公共枢纽的重点人员动态跟踪、异常事件预警、应急调度系统研发；在视频内容生产场景，可赋能会议自动剪辑、访谈高光提取、演讲内容智能拆条等工具开发，大幅降低内容生产的人力成本；在人机交互场景，可服务于服务机器人、智能座舱、政务服务终端等设备的场景感知能力升级，实现对用户需求的快速识别与响应。
作为数据要素在AI训练场景落地的典型样本，Temporal-VIP的发布进一步丰富了国内垂直领域高质量标注数据集的供给体系，为相关技术从实验室走向商用落地提供了重要的底座支撑，也为国内数据要素价值的场景化释放提供了参考路径。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)