arXiv · 机器人与计算机视觉· Jin Liu, Dawei Du, Yexiang Liu, Sijie Zhu, Fan Chen, Junxian Duan, Huaibo Huang, Ran He, Longyin Wen, Zhenfang Chen·· 6 天前AI 评分42
CineMME:从对话定位到叙事推理的多模态视频理解基准
CineMME: From Dialogue Grounding to Narrative Reasoning in Multimodal Video Understanding
AI 导读
CineMME 是一个经约 1600 小时专家标注验证的基准,包含 975 个短片及两个关联赛道。CineMME-Grounding 提供 13554 个带时间戳语音片段与 33083 个说话人脸框用于主动说话人定位;CineMME-Reasoning 涵盖 1600 道选择题和 316 道开放题。
来源:arXiv · 机器人与计算机视觉 · arxiv.org