MIRCaps: A Large-Scale Mixed-Domain Dataset with Image-Level and Region-Level Captions for Fine-Grained Vision-Language Learning
收藏官方服务：
资源简介：
A multimodal dataset comprising of: 141,364 images 981,947 image-level captions 1,742,264 region-level captions 1,391,779 bounding box annotations
本多模态数据集包含以下组成部分： 141,364 张图像 981,947 条图像级字幕（image-level captions） 1,742,264 条区域级字幕（region-level captions） 1,391,779 个边界框标注（bounding box annotations）
提供机构：
Zenodo创建时间：
2026-05-27
