Video Conversation Dataset

Visual Dialog（VisDial）是一个大规模视觉对话数据集，由佐治亚理工学院、弗吉尼亚理工大学等机构的研究团队开发。该数据集包含来自COCO数据集的约12万张图像，每张图像配有1段包含10轮问答的对话，总计约120万个对话问答对，旨在训练AI代理进行基于图像的对话理解和生成任务，可应用于视觉聊天机器人、多模态对话系统等领域。