WIT signifie Wikipedia-based Image Text, qui est un vaste ensemble de données multimodales et multilingues. L'ensemble de données se compose d'une collection organisée de 37,6 millions d'exemples d'images-textes enrichis en entités, contenant 11,5 millions d'images uniques dans 108 langues de Wikipédia. La taille de cet ensemble de données le rend adapté à une utilisation comme ensemble de données de pré-formation pour les modèles d'apprentissage automatique multimodaux. WIT présente quatre avantages uniques :

• WIT est le plus grand ensemble de données multimodales en termes de nombre d'exemples d'images et de textes.
• Plus de 100 langues sont couvertes (avec au moins 12 000 exemples par langue) et un texte multilingue est fourni pour de nombreuses images.
• Par rapport aux ensembles de données précédents, WIT représente un ensemble plus diversifié de concepts et d’entités du monde réel.
• WIT fournit un ensemble de tests du monde réel très stimulant.

Citation

@inproceedings{10.1145/3404835.3463257, auteur = {Srinivasan, Krishna et Raman, Karthik et Chen, Jiecao et Bendersky, Michael et Najork, Marc}, titre = {WIT : Ensemble de données image-texte basé sur Wikipédia pour l’apprentissage automatique multimodal et multilingue}, année = {2021}, isbn = {9781450380379}, éditeur = {Association for Computing Machinery}, adresse = {New York, NY, USA}, url = {https://doi.org/10.1145/3404835.3463257}, doi = {10.1145/3404835.3463257}, booktitle = {Actes de la 44e conférence internationale ACM SIGIR sur la recherche et le développement en matière de recherche d'information}, pages = {2443–2449}, numpages = {7}, mots-clés = {ensemble de données, multimodal, apprentissage automatique, Wikipédia, multilingue, recherche image-texte, réseaux neuronaux}, lieu = {Événement virtuel, Canada}, série = {SIGIR '21} }