Datensatz Mit Konzeptionellen Bildunterschriften (CC12M)

Der Datensatz wurde 2018 von Google veröffentlicht und umfasst 3,3 Millionen Bildunterschriftenpaare. Das Team hat eine automatisierte Pipeline erstellt, um aus Milliarden von Webseiten mögliche Bild- und Textpaare zu extrahieren, zu filtern und zu verarbeiten.

Der Datensatz ist in Trainings-, Validierungs- und Testsätze unterteilt. Der Trainingssatz besteht aus 3.318.333 Bild-URL/Titel-Paaren und die Gesamtzahl der Tokentypen (d. h. Vokabeln) im Titel beträgt 51.201. Jeder Titel enthält durchschnittlich 10,3 Token und der Validierungssatz besteht aus 15.840 Bild-URL/Titel-Paaren.

Darüber hinaus stellte das Team maschinengenerierte Bildbeschriftungen für 2.007.528 Bild-URL/Titel-Paare im Trainingssatz bereit.

Verwandte Artikel:

Konzeptuelle Bildunterschriften: Ein bereinigter, hypernymisierter Bild-Alttext-Datensatz für die automatische Bildunterschrift