KTVIC: A Vietnamese Image Captioning Dataset on the Life Domain

要約

画像キャプションは、医療や教育などの幅広い分野のアプリケーションにとって重要なタスクです。
英語の画像キャプション データセットに関する広範な研究にもかかわらず、ベトナム語で利用できるそのようなデータセットは依然として限られており、既存のデータセットは 2 つだけです。
この研究では、生活領域に焦点を当て、幅広い日常活動をカバーする包括的なベトナムの画像キャプション データセットである KTVIC を紹介します。
このデータセットは 4,327 枚の画像と 21,635 個のベトナム語キャプションで構成されており、ベトナム語での画像キャプション作成を進めるための貴重なリソースとして機能します。
データセットのベースラインとしてさまざまなディープ ニューラル ネットワークを使用して実験を実施し、BLEU、METEOR、CIDEr、ROUGE などの標準的な画像キャプション メトリクスを使用して評価します。
私たちの調査結果は、提案されたデータセットの有効性と、ベトナムの文脈における画像キャプションの分野へのその潜在的な貢献を強調しています。

要約(オリジナル)

Image captioning is a crucial task with applications in a wide range of domains, including healthcare and education. Despite extensive research on English image captioning datasets, the availability of such datasets for Vietnamese remains limited, with only two existing datasets. In this study, we introduce KTVIC, a comprehensive Vietnamese Image Captioning dataset focused on the life domain, covering a wide range of daily activities. This dataset comprises 4,327 images and 21,635 Vietnamese captions, serving as a valuable resource for advancing image captioning in the Vietnamese language. We conduct experiments using various deep neural networks as the baselines on our dataset, evaluating them using the standard image captioning metrics, including BLEU, METEOR, CIDEr, and ROUGE. Our findings underscore the effectiveness of the proposed dataset and its potential contributions to the field of image captioning in the Vietnamese context.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google