Multimodal Vision Research Laboratory @ WashU本次发布的数据集SoundingEarth，该数据集是一个多模态数据集，包含音频、图像和文本数据。主要特征包括音频文件（采样率为32kHz）、谷歌地球图像、音频字幕及其来源、梅尔频谱特征（形状为5x1x1001x64的浮点数组）、基于LLaVA模型的谷歌地球图像字幕、经纬度坐标以及录制日期。数据集分为训练集（40,241个样本）、验证集（3,242个样本）和测试集（5,801个样本），总大小约为498GB。该数据集适用于多模态学习任务，如音频-图像关联分析、地理空间音频识别等。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)