qihoo360/FineHARD

FineHARD是一个细粒度视觉和文本对齐的数据集，包含图像和对应的文本描述。该数据集用于训练FG-CLIP模型，旨在通过两阶段的训练过程实现图像和文本的精确对齐。

FineHARD is a fine-grained visual and textual alignment dataset, which includes images and their corresponding textual descriptions. This dataset is used to train the FG-CLIP model, aiming to achieve precise alignment between images and texts through a two-stage training process.

搜集汇总

背景与挑战

背景概述

FineHARD是一个细粒度视觉定位和重标注数据集，规模在10M到100M之间，用于训练FG-CLIP模型以实现图像和文本的细粒度对齐。数据集包含区域级标注和正负样本描述，支持模型的细粒度判别能力提升。