VQA v2视觉问答数据集

VQA v2原始数据是一个大规模视觉问答数据集，用于测试模型对图像内容的视觉理解、语言理解和常识推理能力。数据包含：（1）图像：来自MS COCO数据集的真实自然场景彩色图像（JPG格式），分辨率不固定（通常数百像素）；（2）问题：针对每张图像提出的开放式自然语言问题（英文），平均每张图像约5.4个问题；（3）答案：每个问题对应10个人工标注的真实答案（由不同标注者独立提供），答案形式为简短文本（通常1-3个词，包含“是/否”答案、数字、物体名称等）；（4）数据集划分：训练集约44.4万问题（对应约8.3万张图像）、验证集约21.4万问题（对应约4.1万张图像）、测试集约44.8万问题（对应约8.1万张图像）；（5）v2版本通过成对互补问题减少语言偏置（例如“是/否”问题中“是”和“否”的答案分布更均衡）。衍生数据为项目基于VQA v2原始数据进行的数据处理、评估方式、方法结果、衍生结论。