COCO image-text pair

该数据集是一个大规模的数据集，用于训练ALBEF模型，包含了大量的网络图像-文本对，这些对可能存在一定的噪声。ALBEF模型能够利用这些含有噪声的网络数据来提升预训练的性能，而且它不需要边框标注或高分辨率的图像。该数据集的规模从400万到1400万张图像不等，其任务是进行视觉-语言表征学习。