SBU Captions Dataset

我们使用大量带字幕的照片集开发并演示了自动图像描述方法。一项贡献是我们用于自动收集这个新数据集的技术——执行大量 Flickr 查询，然后将嘈杂的结果过滤到 100 万张带有相关视觉相关说明的图像。这样的集合使我们能够使用相对简单的非参数方法来解决极具挑战性的描述生成问题，并产生令人惊讶的有效结果。我们还开发了结合许多最先进但相当嘈杂的图像内容估计方法，以产生更令人满意的结果。最后，我们介绍了一种新的图像字幕客观性能度量。