PhraseCut データセットには、77,262 個の画像と 345,486 個のフレーズ領域ペアが含まれています。データセットは Visual Genome データセットから収集され、既存のアノテーションを使用して一連の困難な参照フレーズを生成し、これらのフレーズの対応する領域に手動でアノテーションが付けられます。