Definition
Flickr30K Captions es un conjunto de datos de referencia ampliamente utilizado que comprende 31.783 imágenes, cada una anotada con cinco oraciones distintas en inglés que describen el contenido visual. Sirve como recurso fundamental.
Summary
Un conjunto de datos multimodal que vincula 31.000 imágenes con descripciones generadas por humanos para entrenar modelos de incrustación entre modalidades.
Key Concepts
- Aprendizaje multimodal
- Alineación imagen-texto
- Recuperación entre modalidades
- Fundamentación visual
Use Cases
- Construcción de motores de búsqueda de imágenes
- Generación de descripciones de imágenes
- Entrenamiento de modelos visión-lenguaje