VOANews

我们从新闻网站收集106,875图片字幕，其中包含丰富的事件。它提供了一个新的具有挑战性的图像检索基准，其中每个句子可能包含具有复杂语言结构的多个事件。平均字幕长度为28.3个令牌，而Flickr30k为13.4个，MSCOCO为11.3个。