AVCaps: An Audio-Visual Dataset With Modality-Specific Captions
This paper introduces AVCaps, an audio-visual dataset that contains separate textual captions for the audio, visual, and audio-visual contents of video clips. The dataset contains 2061 video clips constituting a total of 28.8 hours. We provide up to 5 captions for the audio, visual, and audio-visual...
Na minha lista:
| Principais autores: | , , , |
|---|---|
| Formato: | Artigo |
| Idioma: | Inglês |
| Publicado em: |
IEEE
2025-01-01
|
| Colecção: | IEEE Open Journal of Signal Processing |
| Assuntos: | |
| Acesso em linha: | https://ieeexplore.ieee.org/document/11029114/ |
| Tags: |
Sem tags, seja o primeiro a adicionar uma tag!
|