CC12M (Conceptual 12M) は、視覚および言語の事前トレーニング用に設計された画像とテキストのペアのデータセットです。データセットには 1,200 万の画像とテキストのペアが含まれています。 CC3M と比較して、このデータセットは複数の下流タスクのロングテール視覚認識で優れたパフォーマンスを発揮します。

引用

@inproceedings{changpinyo2021cc12m, タイトル = {{Conceptual 12M}: ロングテール視覚概念を認識するためのウェブスケール画像テキスト事前学習の推進}, 著者 = {Changpinyo, Soravit、Sharma, Piyush、Ding, Nan、Soricut, Radu}、 書籍タイトル = {CVPR}、 年 = {2021}、 }