该文综述越南语多模态数据集研究,涵盖图像字幕、视觉问答与推理等任务。UIT-ViIC是首个越南语图像字幕数据集,含3850张图像和19250条字幕;UIT-OpenViIC面向开放域字幕,具挑战性,并提出CAMO融合方法;医疗字幕模型获VLSP 2021第三名;UIT-ViQuAD含2.3万余问答对;ViCLEVR与PhoVIT推动视觉推理;此外还涉及COVID-19问答、英越语音翻译、盲人图像说明、医疗问题注释及TextCaps等数据集。
完成下面两步后,将自动完成登录并继续当前操作。