VisDial (Visual Dialog)

Visual Dialog (VisDial) 数据集包含基于 MS COCO 数据集图像的人工注释问题。该数据集是通过配对 Amazon Mechanical Turk 上的两个主题来讨论图像而开发的。一个人被分配了“提问者”的工作，另一个人担任“回答者”。提问者只能看到图像的文本描述（即来自 MS COCO 数据集的图像标题），而原始图像对提问者仍然是隐藏的。他们的任务是询问关于这个隐藏图像的问题，以“更好地想象场景”。回答者看到图像、标题并回答提问者提出的问题。他们两人最多可以通过提问和回答问题来继续对话10轮。
VisDial v1.0 在 MS COCO（2017 训练集）上包含 123K 对话，用于训练拆分，2K 对话与验证图像用于验证拆分，以及 8K 对话在测试集上用于测试标准集。之前发布的 v0.5 和 v0.9 版本的 VisDial 数据集（对应于 MS COCO 的旧拆分）被认为已弃用。