Flickr 8k Audio Caption Corpus

kaggle2023-04-27 更新2024-03-07 收录

音频描述

图像理解

数据链接：

https://www.kaggle.com/datasets/warcoder/flickr-8k-audio-caption-corpus 数据链接链接失效反馈

官方服务：

资源简介：

Audio version of famous Flickr dataset

知名Flickr数据集的音频版本

创建时间：

2023-04-27

SatlasPretrain

遥感技术

图像理解

SatlasPretrain是一个大规模的遥感图像理解数据集，由艾伦人工智能研究所创建。该数据集包含3.02亿个标签，覆盖137个类别，涉及水资源监测、森林砍伐追踪、风力涡轮机检测等多个重要地球监测应用。数据集通过结合Sentinel-2和NAIP图像构建，利用多种传感器和时间序列图像，支持模型在处理不同类型传感器图像和利用长距离空间上下文方面的能力。SatlasPretrain的应用领域广泛，旨

arXiv2023-08-21 更新1490

sentence-transformers/coco-captions

图像理解

自然语言处理

--- language: - en multilinguality: - monolingual size_categories: - 100K<n<1M task_categories: - feature-extraction - sentence-similarity pretty_name: Coco Captions tags: - sentence-transformers data

Hugging Face2024-04-30 更新640

Nexus-Gen训练数据集

图像理解

图像生成与合成

# Nexus-Gen Training Dataset ## Intruduction This dataset contains the complete training data for [Nexus-Gen](https://www.modelscope.cn/models/DiffSynth-Studio/Nexus-GenV2), covering tasks including

魔搭社区2026-07-15 更新360

LIVEVQA

视觉问答

图像理解

LIVEVQA是一个自动收集的互联网最新视觉知识数据集，包含了合成的VQA问题。该数据集由6个主要全球新闻网站跨14个新闻类别收集的1233篇新闻文章和3602个最新VQA问题组成，特点是高质量的图像文本一致性和真实信息。每个实例包括一个代表性图像和三种类型的问题：一个基本的视觉理解问题和两个需要更深入推理的multi-hop问题。

arXiv2025-04-08 更新1020

ranjaykrishna/visual_genome

图像理解

视觉问答

Visual Genome是一个数据集和知识库，旨在将结构化的图像概念与语言连接起来。它包含108,077张图像，5.4百万区域描述，1.7百万视觉问答，3.8百万对象实例，2.8百万属性和2.3百万关系。该数据集主要用于图像到文本、对象检测和视觉问答等任务，所有注释均使用英语。

Hugging Face2023-06-29 更新470