Il s'agit d'un ensemble de données de questions-réponses visuelles où les questions et les réponses sont générées automatiquement à partir de descriptions d'images dans MS-COCO. Cet ensemble de données peut être utilisé pour résoudre des problèmes tels que la réponse à des questions basées sur des images.

L'ensemble de données comprend :

• 123 287 images
• 78 736 questions de formation
• 38 948 questions d'examen
• Quatre types de questions : objet, nombre, couleur, position
• La réponse est décrite en un seul mot.