Spoken ObjectNet

Spoken ObjectNet是由麻省理工学院计算机科学与人工智能实验室创建的一个大型口语描述数据集，旨在减少现有音视频数据集的偏见，并提高模型在真实世界场景中的性能。该数据集基于ObjectNet图像数据集，通过改进的数据收集流程，包括自动语言模型检查，提高了描述质量。Spoken ObjectNet包含50,273条口语描述，用于评估音视频模型在偏见控制环境下的表现，特别是在图像检索和音频检索任务中。数据集的应用领域主要集中在提高模型对真实世界复杂性的适应能力，解决因数据集偏见导致的模型性能下降问题。