arXiv cs.AI· Quang-Trung Truong, Thanh-Nghia Nguyen, Phu-Phong Vo, Jaeyeon Kim, Cheng Chen, Jie Zhang, Binh-Son Hua, Duc Thanh Nguyen, Ivor Tsang, Sai-Kit Yeung·· 12 小时前AI 评分20
MarineLife-16K：面向运动感知海洋视频理解的高属性视频-文本数据集
MarineLife-16K: An Attribute-Rich Video-Text Dataset for Motion-Aware Marine Video Understanding
AI 导读
MarineLife-16K 是一个大规模视频-文本数据集，包含 2,000 个视频-文本对，标注 13 类属性，覆盖每场景最多四个对象、对象视觉/几何属性、行为、环境上下文与相机运动，横跨 7 个国家及多种光照与时段，并由此生成 16,080 个视频-问题对（12,080 道多选、4,000 道开放题）。
正文 · AI 翻译
摘要：海洋视频理解对于广泛的现实应用至关重要。然而，现有的海洋视频数据集存在局限，包括数据样本数量有限、细粒度文本描述不足以及详细视觉属性缺失。为解决这些局限，我们推出了一个大规模视频-文本数据集，具有丰富、真实场景下的视觉属性，专为复杂的海洋环境量身定制。我们的数据集包含 2,000 个视频-文本对，标注了 13 种属性，涵盖每个场景最多四个对象、对象的视觉/几何属性、行为、环境背景和相机运动，跨越多样的光照条件、一天中的不同时段以及 7 个国家。基于这些标注，我们生成了 16,080 个视频-问题对（12,080 个多项选择，4,000 个开放式）。此外，我们在视频问答和视频字幕任务上对专有和开源视频-LLM 模型进行了基准测试。我们发现：(i) 专有模型通常取得更优表现；(ii) VLM 能很好地处理对象运动，但在复杂相机运动上表现不佳；(iii) 闭源模型难以感知相机运动；(iv) VLM 在静态相机下难以进行推理。
| 评论： | 发表于 WACV2027 |
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.33478 [cs.CV] |
| （或 arXiv:2610.33478v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33478 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Quang Trung Truong [查看邮箱]
[v1]
2026年10月24日星期六 06:05:26 UTC (21,091 KB)
来源：arXiv cs.AI · arxiv.org