USV：理解用户生成的短视频
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
过去几年已发布多个大规模视频数据集，推动了视频理解领域的发展。然而，新兴的用户生成短视频鲜有被研究。本文提出 USV，即用于高层次语义视频理解的用户生成短视频数据集。该数据集包含约 22.4 万个来自 UGC 平台的视频，通过标签查询获取，无需额外人工验证或裁剪。尽管视频理解在过去几年取得了可观进展，但大多数工作聚焦于实例级识别，对学习视频高层次语义信息的表征不够。因此，我们进一步建立两个任务：主题识别和视频-文本检索。我们提出两种统一有效的基线方法：多模态融合网络（MMF-Net）和视频-文本对比学习（VTCL），分别用于主题识别任务和视频-文本检索。我们进行了全面基准测试，以促进未来研究。我们的项目页面是 https://usvdataset.github.io。
引用
@article{arxiv.2605.20838,
title = {USV: Towards Understanding the User-generated Short-form Videos},
author = {Haoyue Cheng and Su Xu and Liwei Jin and Wayne Wu and Chen Qian and Limin Wang},
journal= {arXiv preprint arXiv:2605.20838},
year = {2026}
}