Visual Genome Dataset は、クラウドソーシングの高密度画像アノテーションを通じて言語と視覚を結び付けるデータ セットであり、多肢選択環境での Visual Question Answering データが含まれています。 このデータセットには、101,174 個の MSCOCO 画像からなる 170 万個の QA ペアが含まれており、画像ごとに平均 17 個の質問があります。 Visual Question Answering データ セットと比較して、Visual Genome データ セットには、「何を、どこで、いつ、誰が、なぜ、どのように」の 6 種類の質問がよりバランスよく分散されています。さらに、Visual Genome は、オブジェクト、属性、および関係性の注釈が密に付けられた 108,000 枚の画像を表示します。