视频时间轴标签（ViTT）
此仓库提供了在（ || ）中引入的视频时间轴标签（ViTT）数据集。
如果您发现对自己的工作有用的数据或文件，请考虑引用以下内容：
@inproceedings{huang2020multimodal,
title={Multimodal Pretraining for Dense Video Captioning},
author={Huang, Gabriel and Pang, Bo and Zhu, Zhenhai and Rivera, Clara and Soricut, Radu},
booktitle={AACL-IJCNLP 2020},
year={2020}
}
数据集说明
可以通过以下链接下载该数据集的数据文件：
ViTT数据集由人工制作的针对8169个视频的片段级注释组成。其中，有5840个视频被注释了一次，其余视
