发帖
雷达卡
室内场景视觉问答（VQA）基准数据集 | 含RGB-D图像与人工标注
DAQUAR数据集（全称 DAtaset for QUestion Answering on Real-world images）是计算机视觉领域经典的真实世界图像问答数据集，专为室内场景视觉问答（Visual Question Answering, VQA）任务设计。该数据集源自NYU-Depth V2数据集，包含高质量RGB-D深度图像，是视觉语言多模态学习、场景理解研究的重要基础资源。
数据集核心内容
DAQUAR数据集覆盖室内场景的视觉问答任务，图像数据全部来自真实居住环境，包含客厅、卧室、厨房、餐厅等典型室内空间。数据集划分为795张训练图像和654张测试图像，所有图像均配备RGB色彩通道与深度信息通道。问答对（Question-Answer Pairs）包含两种生成方式：基于规则自动生成的QA对，以及经人工校验与标注的高质量QA对，涵盖物体识别、空间关系推理、属性判断、数量统计等多种问答类型。
适用研究方向
该数据集广泛应用于以下AI与计算机视觉研究领域：视觉问答（VQA）模型训练与评测、多模态大语言模型（MLLM）的室内场景理解能力测试、RGB-D图像的语义分割与深度估计、空间关系推理与指代表达理解、零样本/少样本视觉推理、以及具身智能与室内导航中的视觉语言交互。对于从事AIGC、自动驾驶室内场景、机器人视觉感知的研究人员，DAQUAR是验证模型在真实世界环境中理解能力的标准基准之一。
数据格式与使用方式
数据集提供标准图像文件与结构化QA标注文件，可直接接入PyTorch、TensorFlow等主流深度学习框架。NYU-Depth V2同源的数据格式确保了与现有深度估计、语义分割代码库的兼容性。研究者可将该数据集用于模型预训练、微调、跨域迁移学习，或作为室内场景VQA任务的基准测试集。
DAQUAR 真实世界图像问答数据集.zip
(5.65 KB, 需要: RMB 5 元)
京公网安备 11010802022788号
