FineCapEval

该数据集名为FineCapEval，是一个用于评估字幕的全新数据集，其特点在于采用了细粒度的评估标准，包括整体、背景、物体和关系等四个方面。该数据集由1,000张图片组成，总共包含5,000个跨越这四个标准的注释。在构建此数据集时，研究人员收集了图片，并让人类标注员编写包含背景、物体、关系以及一个综合描述的详细字幕。规模上，数据集包含了1,000张图片和5,000个注释，其任务是进行图像字幕评估。