Visual Genome Dataset 是一个通过众包密集图像标注，来连接语言和视觉的数据集，包含了多选环境下的 Visual Question Answering 数据。 该数据集包括 101,174 张 MSCOCO 图像的 170 万对 QA，平均每张图像 17 个问题。 相较于视觉问答 (Visual Question Answering) 数据集，Visual Genome 数据集的 6 类问题分布更均衡：What, Where, When, Who, Why 以及 How 。此外，Visual Genome 还展示了 10.8 万张密集标注了目标、属性和关系的图像。