Cops-Ref（正式名称：Compositional Referring Expression Comprehension）は、対象物参照理解のための視覚推論画像データセットです。データセットには、75,299 枚の実際の画像、148,712 個のテキスト説明、および 1,307,885 個の候補領域が含まれています。

このデータ セットには 2 つの主な機能があります。1 つは、推論ロジックと視覚的機能を組み合わせて、さまざまなレベルの複雑さのテキスト記述を生成できる新しいテキスト生成エンジンです。もう 1 つは、テスト プロセス中に意味的に類似したペアを持つ新しいテスト設定です。 . 視覚的なイメージが干渉します。