Visual7W

Visual7W 是一个大规模的视觉问答（QA）数据集，具有对象级基础和多模态答案。每个问题都以七个 W 之一开始，即什么、在哪里、何时、谁、为什么、如何和哪个。它是从 47,300 个 COCO 图像中收集的，它有 327,929 个 QA 对，以及来自 36,579 个类别的 1,311,756 个人工生成的多项选择和 561,459 个对象基础。