WikiScenes

我们的 WikiScenes 数据集包含捕捉世界地标和文化遗址的配对图像和语言描述，以及相关的 3D 模型和相机姿势。 WikiScenes 源自 Wikimedia Commons 项目中大量免费许可的众包数据公共目录，其中包含大量带有标题和其他元数据的图像。我们为每个图像提取两种形式的文本描述：（1）与图像关联的标题，使用自由格式语言描述图像，以及（2）根据与每个图像关联的 WikiCategories 的层次结构获得的 WikiCategory 层次结构（参见示例在下图中）。总体而言，WikiScenes 包含大约 63K 幅带有文字描述的图像。