VisDial، الاسم الكامل لـ Visual Dialog، عبارة عن مجموعة بيانات تحتوي على مشكلات التعليقات التوضيحية اليدوية استنادًا إلى الصور من مجموعة بيانات MS COCO.

تم تطوير مجموعة البيانات من خلال جعل شخصين يتحدثان عن صورة على Amazon Mechanical Turk. أحدهما يتصرف كسائل والآخر يتصرف كمجيب. لا يمكن للسائل رؤية سوى وصف النص الخاص بالصورة (أي عنوان الصورة من مجموعة بيانات MS COCO)، ولا يمكن للسائل رؤية الصورة الأصلية. وكانت مهمتهم طرح الأسئلة حول هذه الصورة من أجل "تصور المشهد بشكل أفضل". يرى المستفتى الصورة والتسمية التوضيحية ويجيب على السؤال الذي طرحه السائل. يمكن لكليهما مواصلة المحادثة عن طريق طرح الأسئلة والإجابة عليها، لمدة تصل إلى 10 جولات.

يتضمن VisDial v1.0 ما يلي:

• مجموعة التدريب: 1,23,287 صورة، 10 جولات حوار لكل صورة؛
• مجموعة التحقق: 2064 صورة، 10 جولات حوار لكل صورة؛
• مجموعة الاختبار: 8000 صورة، دورة واحدة من الحوار لكل صورة.