Flickr30k Entities Dataset

Flickr30k Entities是一个用于图像描述和视觉问答任务的数据集，由伊利诺伊大学厄巴纳-香槟分校的研究团队开发。该数据集在Flickr30k的158,915条图像描述基础上，增加了244,000个共指链和276,000个手动标注的边界框，实现了图像中实体与文本描述的精确对应。它为研究图像-文本匹配、实体链接和视觉问答等多模态任务提供了重要基准资源，广泛应用于计算机视觉与自然语言处理的交叉领域。