Facebook 近日发表论文《Binary Image Selection (BISON): Interpretable Evaluation of Visual Grounding》，介绍了一种替代性视觉定位系统评估任务 Binary Image SelectiON (BISON) ：给出图像描述，让系统从一对语义相似的图像中选择与图像描述最匹配的图。系统在 BISON 任务上的准确率不仅可解释，还能够衡量系统关联图像描述中精细文本内容与图像中视觉内容的能力。Facebook 研究者收集了 BISON 数据集，它补充了 COCO Captions 数据集。研究者还使用 BISON 数据集对图像描述生成和基于描述的图像检索系统进行辅助评估。图像描述生成的度量指标表明视觉定位系统已经优于人类，但 BISON 表明这些系统与人类表现还有距离。