Microsoft 发布 VISION_LANGUAGE 数据集, 应用在 视觉语言理解、多模态任务 领域

Microsoft 本次发布的数据集 VISION_LANGUAGE, 该数据集包含三个任务，分别是空间理解、导航和计数。每个任务都有三种输入条件：纯文本、纯视觉和视觉+文本。每个条件包含1500个图像和文本对，总计4500个样本。任务包括判断对象间的空间关系、计算路径中的转弯次数以及在网格中计数特定对象等。

查看VISION_LANGUAGE

Dataset card 内容： 

Files and versions 内容： 

关于 Microsoft , 微软是一家总部位于美国华盛顿州的全球知名科技公司。

关于 HuggingFace , Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的创建、发现和协作。该平台支持多种数据类型，包括文本、图像、视频、音频和3D数据，并提供开源工具和付费计算及企业解决方案。