Conceptual Captions Dataset (CC12M) 概念数据集

日期

3 年前

机构

发布地址

标签

目标检测

分类

图像-文本对

该数据集由谷歌于 2018 年发布，数据集共包括 330 万对图像-标题对。团队通过创建自动 pipeline，从数十亿网页中提取，过滤和处理候选图像和文字对。

数据集分为训练集，验证集和测试集，训练集由 3,318,333 个图像 URL /标题对组成，标题中 token 类型（即词汇量）总数为 51,201 。每个标题平均包含 10.3 个 token，验证集由 15,840 个图像 URL /标题对组成。

此外，团队为训练集中的 2,007,528 对图像 URL /标题提供了机器生成的图像标签。