データセット
TextVQA
データセット：28,408画像、45,336質問（37,912）、453,360回答（26,263）
トレーニングセット：21,953画像、34,602質問
検証セット：3,166画像、5,000質問
テストセット：3,289画像、5,734質問
データソース：Open Imagesv3データセット
画像ごとに1〜2の質問、各質問に10の回答、質問の平均の長さは7.18ワード、回答の平均の長さは1.58ワードです
質問の最初の4つの単語の分布：
例：
ST-VQA
データセット：23,038画像、31,791質問
トレーニングセット：19,027画像、26,308質問
テストセット：2,993画像、4,163質問
データソース：Coco-Text、Visal Genome、VizWiz、ICDAR（13 + 15）、ImageNet、IIIT-STR
質問の最初の4つの単語の分布：
例：
OCR-VQA
207572枚の画像（本の表紙）、100万を超える質問と回答のペア（電車：val：テスト= 8：1：1）
データソース：ブックカバーデータセット
例：
EST-VQA（中国語+英語）
データセット：25,239画像、28,062質問
トレーニングセット：20,757画像、23062質問
テストセット：4482画像、5000質問
データソース：
英語データ：Total-テキスト、ICDAR2013、ICDAR2015、CTW1500、MLT、COCO-テキスト
中国語データ：LSVT
15056英語の質問と13006中国語の質問。
画像内のテキストのみに回答でき、回答に対応する長方形の境界ボックス（証拠）にもマークが付けられています。
データセットの中国語と英語の分布：
質問の最初の4つの単語の分布：
例：
データセットの比較
数量比較：
[4] ST-VQA
[24] OCR-VQA
[29] Text-VQAの
最後の行はSTE-VQAです
TextVQAとST-VQAのデータセットの比較：
- ST-VQAのデータソースは多様ですが、TextVQAのデータソースはOpenImagesデータセットからのみ取得されます。
- 提起された質問に基づいて、ST-VQAはTextVQAの質問よりも明確に回答できます。
- Text-VQAの画像はデータセットからフィルタリングされます。質問の39％（18K）に対する回答は、OCRの結果では見つかりませんが、ST-VQAは、ほとんどすべての画像のテキストを使用して回答できます。