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。

We collected 106,875 image captions from news websites, which contain a rich array of events. This dataset offers a novel and challenging image retrieval benchmark, where each caption sentence may encompass multiple events with complex linguistic structures. The average caption length is 28.3 tokens, compared to 13.4 tokens for Flickr30k and 11.3 tokens for MSCOCO.

搜集汇总

背景与挑战

背景概述

VOANews是一个多模态数据集，包含106,875个新闻图片字幕，特点是字幕长度较长（平均28.3个令牌）且语言结构复杂，适合用于复杂的图像检索任务。数据集由多个知名机构联合发布，发布于2022年。