BanglaView Flicker30k Bangla Image Caption Dataset

kaggle2024-07-04 更新2024-10-26 收录

孟加拉语图像描述

多模态学习

数据链接：

https://www.kaggle.com/datasets/sajeebkumarray/banglaview 数据链接链接失效反馈

官方服务：

资源简介：

Image description is a more crucial part of the artificial intelligence world be

图像描述在人工智能领域扮演着至关重要的角色，

创建时间：

2024-07-04

MMIS

多模态学习

设计分析

MMIS数据集由MSA大学创建，专注于多模态室内场景的视觉生成和识别。该数据集包含近160,000张图像，每张图像附有对应的文本描述和音频记录，涵盖多种室内风格和布局。数据集的创建过程包括图像收集、文本描述生成和语音注释，旨在支持图像生成、检索、标注和分类等多模态表示学习任务。MMIS数据集的应用领域广泛，特别是在室内设计图像的分析和生成方面，旨在通过多模态信息融合解决实际问题。

arXiv2024-07-08 更新2350

xywang1/MMC

多模态学习

自然语言处理

MMC数据集是一个用于多模态图表理解的大规模数据集，支持多种任务和图表类型。数据集包括三个主要配置：MMC-Instruction、MMC-Benchmark和MMC-Alignment。MMC-Instruction是一个大规模的多模态图表指令数据集，用于训练；MMC-Benchmark是一个全面的人工标注基准，用于测试和评估图表推理能力；MMC-Alignment用于训练图表与文本的对齐任务。

Hugging Face2024-07-10 更新1140

LanguageBind/MoE-LLaVA

视觉语言模型

多模态学习

--- license: apache-2.0 --- <a href="https://arxiv.org

Hugging Face2024-02-15 更新280

CookGen

烹饪视频生成

多模态学习

CookGen是一个专注于烹饪领域的大规模视频数据集，由约翰斯·霍普金斯大学和字节跳动Seed团队创建。该数据集包含约200,000个视频片段，每个片段平均时长为9.5秒，数据来源于YouCook2和HowTo100M。数据集经过严格的质量过滤和字幕匹配处理，确保每个视频片段都具有清晰的叙事流程和详细的字幕描述。CookGen旨在支持长叙事视频生成的研究，特别是在烹饪领域，通过提供结构化的视频数据

arXiv2025-01-11 更新1390

siglip-adaptive-size

多模态学习

零样本学习

# SigLIP (shape-optimized model) SigLIP model pre-trained on WebLi at resolution 384x384. It was introduced in the paper [Sigmoid Loss for Language Image Pre-Training](https://arxiv.org/abs/2303.15

魔搭社区2026-08-18 更新350

BanglaView Flicker30k Bangla Image Caption Dataset

资源简介：

相关数据集