Definition
Flickr30Kキャプションは、視覚的内容を記述する5つの異なる英語文で注釈付けされた3万1,783枚の画像からなる、広く使用されているベンチマークデータセットです。これは基盤的なリソースとして機能します。
Summary
3万1千枚の画像と人間が生成した説明文を結びつけ、クロスモーダル埋め込みモデルを訓練するためのマルチモーダルデータセット。
Key Concepts
- マルチモーダル学習
- 画像-テキスト整合
- クロスモーダル検索
- ビジュアルグラウンディング
Use Cases
- 画像検索エンジンの構築
- 画像説明文の生成
- ビジョン言語モデルの訓練