Automatically describing images using natural sentences is an important task to support visually impaired people's inclusion onto the Internet. It is still a big challenge that requires understanding the relation of the objects present in the image and their attributes and actions they are involved in. Then, visual interpretation methods are needed, but linguistic models are also necessary to verbally describe the semantic relations. This problem is known as Image Captioning. Although many datasets were proposed in the literature, the majority contains only English captions, whereas datasets with captions described in other languages are scarce. Recently, a movement called PraCegoVer arose on the Internet, stimulating users from social media to publish images, tag #PraCegoVer and add a short description of their content. Thus, inspired by this movement, we have proposed the #PraCegoVer, a multi-modal dataset with Portuguese captions based on posts from Instagram. It is the first large dataset for image captioning in Portuguese with freely annotated images. Further, the captions in our dataset bring additional challenges to the problem: first, in contrast to popular datasets such as MS COCO Captions, #PraCegoVer has only one reference to each image; also, both mean and variance of our reference sentence length are significantly greater than those in the MS COCO Captions. These two characteristics contribute to making our dataset interesting due to the linguistic aspect and the challenges that it introduces to the image captioning problem. We publicly-share the dataset at https://github.com/gabrielsantosrv/PraCegoVer.


翻译:使用自然句子自动描述图像使用自然句子是一项重要任务, 支持视障人士融入互联网。 这仍是一项巨大的挑战, 需要理解图像中显示的对象及其属性和动作之间的关系。 然后, 需要视觉解释方法, 但语言模型对于口头描述语义关系也是必要的。 这个问题被称为“ 图像描述 ” 。 虽然在文献中提出了许多数据集, 但大多数数据集仅包含英语字幕, 而以其他语言描述字幕的数据集却很少。 最近, 一个名为 PraCegoVer 的运动在互联网上出现, 激励社交媒体的用户发布图像, 标记 # PraCegoVer, 并添加其内容的简短描述。 因此, 受此运动的启发, 我们提出了# PraCegoVer, 一个包含基于Instagram 文章的葡萄牙语字幕的多模式数据集。 这是第一个大型数据集, 用于以葡萄牙语进行字幕描述, 而用其他语言描述的图片是稀少的。 此外, 我们的数据集中的字幕会给问题带来额外的挑战: 首先, 社会媒体用户发布图像, 标记 #PegoVer 的索引中, 将这些数据与每个版本中的数据比 Capgoal dal 都代表了我们的数据变变变变。

0
下载
关闭预览

相关内容

图像字幕(Image Captioning),是指从图像生成文本描述的过程,主要根据图像中物体和物体的动作。
Python图像处理,366页pdf,Image Operators Image Processing in Python
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
已删除
将门创投
3+阅读 · 2019年4月12日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Arxiv
15+阅读 · 2021年7月14日
Arxiv
3+阅读 · 2020年4月29日
Compositional Generalization in Image Captioning
Arxiv
3+阅读 · 2019年9月16日
Neural Image Captioning
Arxiv
5+阅读 · 2019年7月2日
Arxiv
7+阅读 · 2018年11月27日
Arxiv
11+阅读 · 2018年5月13日
Arxiv
3+阅读 · 2017年8月15日
VIP会员
相关资讯
相关论文
Arxiv
15+阅读 · 2021年7月14日
Arxiv
3+阅读 · 2020年4月29日
Compositional Generalization in Image Captioning
Arxiv
3+阅读 · 2019年9月16日
Neural Image Captioning
Arxiv
5+阅读 · 2019年7月2日
Arxiv
7+阅读 · 2018年11月27日
Arxiv
11+阅读 · 2018年5月13日
Arxiv
3+阅读 · 2017年8月15日
Top
微信扫码咨询专知VIP会员