LAION-400M是由尤利希超级计算中心等机构创建的一个包含4亿对图像-文本数据的大型公开数据集。该数据集通过筛选自Common Crawl的图像及其对应的文本描述，并应用CLIP模型进行过滤，确保数据的质量和相关性。数据集创建过程中，采用了分布式处理和单节点后处理相结合的方法，以高效地从庞大的原始数据中提取和整理出高质量的图像-文本对。LAION-400M的应用领域广泛，主要用于训练多模态语言

arXiv2021-11-03 更新3090

Nano1337/CLOVE-scores-negative-VQAnotCLIP

视觉问答

图像文本匹配

该数据集包含100个训练样本，每个样本包含uid、image、caption、CLIPscore、VQAscore、CLIPscore_percentile、VQAscore_percentile和percentile_difference等特征。其中，uid是字符串类型，image是图像类型，caption是字符串类型，CLIPscore、VQAscore、CLIPscore_percentil

Hugging Face2024-06-16 更新200

RoCOCO

图像文本匹配

模型鲁棒性评估

RoCOCO数据集是由首尔国立大学电气与计算机工程学院的研究人员创建的，旨在通过对抗性文本和图像来评估图像文本匹配模型的鲁棒性。数据集包含50,000条数据，其中一半是原始的MS-COCO数据，另一半是通过在文本中替换单词或在图像中混合不同图像生成的对抗性数据。该数据集的应用领域主要集中在提高视觉语言模型的鲁棒性，以及开发更多样化的跨模态检索任务的压力测试方法。

arXiv2023-07-14 更新150

Crisscrossed Captions

图像文本匹配

疾病语义相似性

Crisscrossed Captions (CxC) 包含247,315个人类标注的注释，包括图像对、标题对和图像-标题对之间的正负关联。该数据集扩展了MS-COCO（Karpathy分割的开发和测试集），增加了新的语义相似性判断，以解决现有数据集中跨模态关联的限制。

github2024-01-16 更新380

mair-lab/vismin

视觉语言

图像文本匹配

VisMin数据集由四种类型的最小变化组成——对象、属性、计数和空间关系——这些变化存在于两个图像-描述对之间。评估任务要求模型在给定两种情况下预测正确的图像-描述匹配：1）两张图片和一个描述，2）两个描述和一张图片。VisMin基准包含2,084个样本，分为579个对象、294个属性、589个计数和622个关系。

Hugging Face2024-11-28 更新190

Mtoper/Flicker30k_CN

资源简介：

数据集许可证

相关数据集