Conceptual Captions Dataset

下载帮助

OpenBayes 注册即获得免费算力

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。

相关论文:

《Conceptual Captions: A Cleaned, Hypernymed, Image Alt-text Dataset For Automatic Image Captioning》(《Conceptual Captions:一个用于自动生成图像标题的图文对数据集》)