alexandrainst/nordjylland-news-image-captioning

该数据集是来自丹麦报纸TV2 Nord的图像-标题对的集合，主要用于图像标题生成任务。数据集包含11,707个样本，总大小为11 GB，语言为丹麦语（da）。图像的分辨率各不相同，标题长度也有分布。数据集的创建是为了填补丹麦语大规模图像标题数据集的空白，数据通过TV2 Nord API收集。数据集由Oliver Kinch从The Alexandra Institute整理，采用CC0许可证。

原始信息汇总

数据集卡片 "nordjylland-news-image-captioning"

数据集描述

数据集摘要

该数据集是从丹麦报纸TV2 Nord收集的图像-标题对集合。

支持的任务和排行榜

图像描述是该数据集的预期任务。目前没有活跃的排行榜。

语言

该数据集提供丹麦语（da）版本。

数据集结构

数据字段

• file_name: 一个string字段，表示图像的文件名。
• caption: 一个string字段，表示图像的描述。

数据集统计

样本数量

11707

图像尺寸

数据集中的所有图像均为RGB格式，但分辨率各不相同：

• 宽度范围从73到11,830像素。
• 高度范围从38到8,268像素。

图像的边长（假设为正方形图像）大约为：

( x = ext{int}({{sqrt{h cdot w}})} )

潜在的数据集问题

• 有14张图像的标题为"Arkivfoto"。
• 有37张图像的标题仅为来源参考，如"Kilde: <来源名称>"。

在模型训练过程中可能需要考虑排除这些样本。