字节跳动 发布 Shot2Story20K 数据集, 应用在 视频理解、多模态分析 领域

字节跳动 本次发布的数据集 Shot2Story20K, Shot2Story20K是一个用于多镜头视频全面理解的新基准数据集，由字节跳动公司开发。该数据集包含20,023个短视频，每个视频的平均镜头数为4。数据集中的每个视频镜头都配有详细的文本描述，包括视觉信号和人类叙述的描述。此外，数据集还提供了基于这些描述的全面视频摘要。Shot2Story20K旨在促进多模态视频理解模型的开发，适用于视频问答、视觉定位和基于视频的对话等多种视频理解任务。

查看Shot2Story20K

关于 字节跳动 , 字节跳动是一家全球领先的科技公司，主要业务包括信息分发平台今日头条、短视频应用抖音（TikTok）等。公司致力于通过技术创新，为用户提供丰富、多元的内容体验。

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。