Cops-Ref 目标物指代理解数据集

Cops-Ref 全称 Compositional Referring Expression Comprehension，是关于在目标物指代理解方面的视觉推理图像数据集。该数据集包含 75,299 张真实图像、 148,712 条文本描述和 1,307,885 个候选区域。

Cops-Ref, short for Compositional Referring Expression Comprehension, is a visual reasoning image dataset focused on object referring expression understanding. This dataset includes 75,299 real-world images, 148,712 textual descriptions, and 1,307,885 candidate regions.

搜集汇总

背景与挑战

背景概述

Cops-Ref（Compositional Referring Expression Comprehension）是一个用于目标物指代理解的视觉推理图像数据集，包含约7.5万张真实图像、14.9万条文本描述和130.8万个候选区域。其特点包括采用新的文本生成引擎来创建不同复杂度的描述，以及在测试中引入语义相似的视觉图像作为干扰设置。