MVBench
MVBench es un conjunto de datos innovador que transforma las tareas estáticas en tareas dinámicas para evaluar las capacidades temporales a través de vídeos. Contiene anotaciones que se transforman en preguntas de opción múltiple, lo que promueve una evaluación precisa y justa de los modelos de vídeo. Algunos archivos de vídeo (320) requieren una descarga manual externa.
Descripción
MVBench ofrece un punto de referencia de vídeo centrado en diversas tareas temporales. Al convertir las tareas estáticas en dinámicas, permite evaluar habilidades que van desde la simple percepción hasta las funciones cognitivas complejas mediante preguntas de opción múltiple asociadas a los vídeos.
¿Para qué sirve este conjunto de datos?
- Evaluar la comprensión temporal y dinámica de los modelos de vídeo
- Pon a prueba las habilidades de razonamiento temporal en tareas complejas
- Facilite la creación automática de puntos de referencia de vídeo fiables
¿Se puede enriquecer o mejorar?
Este conjunto de datos se puede enriquecer integrando más vídeos con anotaciones y diversificando los tipos de tareas temporales. La adición de datos de vídeo adicionales (incluido el 320 que se descargará por separado) mejorará la solidez de la evaluación.
🔎 En resumen
🧠 Recomendado para
- Investigadores de visión por vídeo
- Desarrolladores de modelos de vídeo
- Laboratorios de IA
🔧 Herramientas compatibles
- Hugging Face Datasets
- PyTorch Video
- TensorFlow Video
- Frameworks QA vidéo
💡 Consejo
Asegúrese de buscar manualmente los 320 vídeos externos para una evaluación completa.
Preguntas frecuentes
¿Por qué es necesario descargar algunos archivos de vídeo por separado?
Debido a las restricciones de la licencia RGB+D de NTU, 320 vídeos no se pueden distribuir directamente y deben recogerse a través del sitio web oficial.
¿Qué tipo de tareas temporales evalúa este conjunto de datos?
Tareas que van desde la percepción simple hasta la cognición compleja, transformadas en preguntas de opción múltiple para una evaluación precisa.
¿Este conjunto de datos es adecuado para ajustar los modelos de vídeo?
Sí, se puede usar tanto para evaluar como para ajustar modelos de vídeo en tareas basadas en el tiempo.
