数据集简介
该数据集由 Intel 发布，旨在为 COCO 数据集提供反事实（Counterfactuals）版本，用于增强计算机视觉模型的鲁棒性和可解释性研究。
主要用途
- 模型鲁棒性评估：测试模型在反事实场景下的表现，识别其决策依赖的特征。
- 可解释性研究：通过对比原始图像与反事实图像，分析模型决策逻辑。
- 数据增强：为训练提供多样化的反事实样本，提升模型泛化能力。
数据类型/模态
- 图像数据：基于 COCO 数据集修改的反事实图像。
- 标注信息：包含反事实修改的标注（如对象属性、场景条件的变化）。
数据特点
- 反事实生成：通过修改图像中的特定元素（如对象、背景、光照等）创建反事实样本。
- 可控变量：支持针对不同视觉因素（如对象存在、位置、大小等）进行反事实编辑。
- 基准对齐：与 COCO 数据集结构兼容，便于直接用于现有评估流程。
使用场景
- 视觉问答（VQA）：测试模型对反事实问题的回答能力。
- 目标检测/分割：评估模型在反事实场景下的物体识别与定位稳定性。
- 因果推理研究：探究视觉任务中的因果关系与反事实依赖。