CLEVR-MRT

原始CLEVR数据集为每个场景提供一张图像。CLEVR-MRT包含为每个场景生成的20张图像，这些场景保持恒定的高度并在方位角上进行采样。为了确保模型不会对视图的旋转方式有任何线索，我们用大平面和居中的高架照明代替了CLEVR数据集的不对称 “照片背景” 画布。为了关注与观点相关的答案的问题，我们对问题集进行了过滤，使其仅包括那些包含空间关系的问题 (例如 '在Y' 的右边是X)。从最初的90个问题模板中，只有44个包含空间关系。训练 + 验证拆分总共由45,600个场景组成，每个场景包含大约10个问题，总共455,549个问题。这些场景中的5% 被留作验证。对于测试集，生成了10,000个场景，每个场景大约5个问题，总共49,670个问题。问题的示意图如图2所示，在图1(b) 中，我们显示了这些场景之一的具体示例。