e-SNLI-VE は、自然言語説明を備えた大規模な視覚言語データセットであり、430,000 を超えるインスタンスが含まれており、すべての説明は画像コンテンツに基づいています。このデータセットは、e-SNLI データセットの説明と SNLI-VE データセットの画像と文のペアを結合することによって構築されます。

引用

@InProceedings{Kayser_2021_ICCV,
author    = {Kayser, Maxime and Camburu, Oana-Maria and Salewski, Leonard and Emde, Cornelius and Do, Virginie and Akata, Zeynep and Lukasiewicz, Thomas},
title     = {E-ViL: A Dataset and Benchmark for Natural Language Explanations in Vision-Language Tasks},
booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
month     = {October},
year      = {2021},
pages     = {1244-1254}
}