FooDI-ML: a large multi-language dataset of food, drinks and groceries images and descriptions

要約

この論文では、FooDI-ML データセットを紹介します。
このデータセットには、150 万を超える固有の画像と、Glovo アプリケーションから収集された 950 万を超える店舗名、製品名の説明、およびコレクション セクションが含まれています。
利用可能なデータは、ヨーロッパ、中東、アフリカ、ラテンアメリカの 37 か国の食品、飲料、食料品に対応しています。
このデータセットは、ウクライナ語やカザフ語などの東ヨーロッパおよび西アジアの国々の言語の 87 万サンプルを含む、33 の言語を網羅しています。
データセットには、スペイン語や英語など、広く話されている言語も含まれています。
さらなる調査を支援するために、テキスト画像検索と条件付き画像生成の 2 つのタスクに関するベンチマークを含めます。

要約(オリジナル)

In this paper we introduce the FooDI-ML dataset. This dataset contains over 1.5M unique images and over 9.5M store names, product names descriptions, and collection sections gathered from the Glovo application. The data made available corresponds to food, drinks and groceries products from 37 countries in Europe, the Middle East, Africa and Latin America. The dataset comprehends 33 languages, including 870K samples of languages of countries from Eastern Europe and Western Asia such as Ukrainian and Kazakh, which have been so far underrepresented in publicly available visio-linguistic datasets. The dataset also includes widely spoken languages such as Spanish and English. To assist further research, we include benchmarks over two tasks: text-image retrieval and conditional image generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google