이 논문은 사용자 생성 짧은 동영상 이해를 위한 USV 데이터셋을 공개했어요. 224,000개 이상의 동영상으로 구성되어 있으며, 주제 인식 및 동영상-텍스트 검색을 위한 두 가지 과제를 제시해요. 연구를 돕기 위해 Multi-Modality Fusion Network (MMF-Net)과 Video-Text Contrastive Learning (VTCL) 두 가지 기준 모델을 제안했어요.
기존 연구는 주로 인스턴스 레벨 인식에 집중했지만, USV 데이터셋은 동영상 고수준 의미 정보 학습에 필요한 데이터셋이에요. 이 데이터셋은 UGC 플랫폼에서 수집했으며, 수동 검증이나 트리밍 없이 레이블 쿼리를 통해 얻었어요.
프로젝트 페이지는 https://usvdataset.github.io에서 확인할 수 있어요.