前往PC端下载数据
Description
Visual Question Answering (VQA) 是一个针对图像内容进行自然语言问答数据集，其中有关图像的自然语言问题和答案需要对图像内容、自然语言和常识进行智能运用才能回答。包括 25 万张图像，每张图片 3 个自然语言描述的问题，每个问题 10 个标准答案，3 个近似答案。
265,016张图像（COCO和抽象场景）
每张图片至少3个问题（平均5.4个问题）
每个问题10个基本事实答案
每个问题3个合理（但可能不正确）的答案
自动评估指标
