actdan2016/sample1

RedCaps是一个包含1200万张从Reddit收集的图像-文本对的大规模数据集。这些图像和文本描述了广泛的物体和场景，数据来自350个手动筛选的Reddit子版块。数据集的设计考虑了用户隐私和有害内容的过滤，主要语言为英语。数据集的创建过程完全自动化，无需人工标注。

原始信息汇总

数据集概述

基本信息

• 名称: RedCaps
• 语言: 英语
• 许可证: CC-BY-4.0
• 多语言性: 单语种
• 大小: 10M<n<100M
• 数据来源: 原始数据
• 任务类别: 图像到文本
• 任务ID: 图像标题生成
• 论文代码ID: redcaps
• 美观名称: RedCaps

数据集内容

• 内容类型: 图像
• 描述: RedCaps是一个包含12M图像-文本对的大型数据集，数据来源于Reddit。图像和标题涵盖了广泛的物体和场景描述。数据集从350个手动筛选的子论坛中收集，这些子论坛提供了粗略的图像标签，使得数据集的组成可以被调整，而无需对单个实例进行标注。

数据集结构

• 数据实例: 每个实例代表一个Reddit图像帖子，包含图像ID、作者、图像URL、原始标题、标题、子论坛、评分、创建时间、永久链接和跨帖子父级等信息。
• 数据字段: 包括图像ID、作者、图像URL、原始标题、标题、子论坛、评分、创建时间、永久链接和跨帖子父级。
• 数据分割: 所有数据包含在训练集中，训练集包含近12M实例。

数据集创建

• 筛选理由: 数据集旨在用于预训练，以服务于一个或多个特定的下游任务。数据收集自手动筛选的子论坛，这些子论坛允许在不标注单个实例的情况下调整数据集的组成。
• 源数据: 数据收集自2008年至2020年间选定的350个子论坛的图像帖子。帖子在创建至少六个月后被收集，以确保投票稳定。
• 标注: 数据集使用自动数据收集管道构建，无需人工标注。
• 个人和敏感信息: 数据集包含Reddit用户名，可能用于查找用户个人资料。此外，使用面部检测器移除可能包含人类面部的图像。

使用数据的考虑

• 社会影响: 数据集未进行数据保护影响分析。
• 偏见讨论: 数据集选择非NSFW子论坛进行数据收集，并使用模型过滤NSFW图像和潜在的贬义语言，以减少有害刻板印象。

附加信息

• 数据集管理员: 未提供具体信息。
• 许可信息: 数据集遵循CC-BY-4.0许可证。
• 引用信息: 未提供具体信息。
• 贡献: 未提供具体信息。