行人重识别（ReID）数据集大全详细说明
DukeMTMC-reID
数据集简介
DukeMTMC 数据集是一个大规模标记的多目标多摄像机行人跟踪数据集。它提供了一个由 8 个同步摄像机记录的新型大型高清视频数据集，具有 7,000 多个单摄像机轨迹和超过 2,700 多个独立人物，DukeMTMC-reID 是 DukeMTMC 数据集的行人重识别子集，并且提供了人工标注的bounding box。
目录结构
DukeMTMC-reID├── bounding_box_test├── 0002_c1_f0044158.jpg├── 3761_c6_f0183709.jpg├── 7139_c2_f0160815.jpg├── bounding_box_train├── 0001_c2_f0046182.jpg├── 0008_c3_f0026318.jpg├── 7140_c4_f0175988.jpg├── query├── 0005_c2_f0046985.jpg├── 0023_c4_f0031504.jpg├── 7139_c2_f0160575.jpg└── CITATION_DukeMTMC.txt└── CITATION_DukeMTMC-reID.txt└── LICENSE_DukeMTMC.txt└── LICENSE_DukeMTMC-reID.txt└── README.md目录介绍
从视频中每 120 帧采样一张图像，得到了 36,411 张图像。一共有 1,404 个人出现在大于两个摄像头下，有 408 个人 (distractor ID) 只出现在一个摄像头下。
1） “bounding_box_test”——用于测试集的 702 人，包含 17,661 张图像（随机采样，702 ID + 408 distractor ID）
2） “bounding_box_train”——用于训练集的 702 人，包含 16,522 张图像（随机采样）
3） “query”——为测试集中的 702 人在每个摄像头中随机选择一张图像作为 query，共有 2,228 张图像
命名规则
以 0001_c2_f0046182.jpg 为例
1） 0001 表示每个人的标签编号；
2） c2 表示来自第二个摄像头(camera2)，共有 8 个摄像头；
3） f0046182 表示来自第二个摄像头的第 46182 帧。
数据分布
DukeMTMC-reID训练集的图像分布。我们注意到每个ID的图像中值为20。但有些ID可能包含大量图像，这可能会影响某些算法。(例如，ID 5388包含426个图像。)
MSMT17
CVPR2018会议上，提出了一个新的更接近真实场景的大型数据集MSMT17，即Multi-Scene Multi-Time，涵盖了多场景多时段。
论文地址：https://arxiv.org/pdf/1711.08565.pdf
MSMT17对比之前数据的优点
1）数目更多的行人、包围框、摄像头数：MSMT17包含126,441个边界框，4101个身份，比以前的数据集大很多。
2）复杂的场景和背景：MSMT17包含的摄像机数量最多，即，15个摄像头被放置在不同的地方。它还由室内和室外的视频构成，这在以前的数据集中没有考虑到。这些考虑导致复杂的背景和场景变化，也使MSMT17更有吸引力和挑战性。
3）涵盖多时段，因此有复杂的光照变化：收集MSMT17有12个时间段，即四天后是上午、中午和下午。它比以前的数据集更好地模拟真实场景，但带来了严重的照明变化。
4）更可靠的bouning box探测器：与手工标注和DMP标注相比， Faster RCNN在实际应用中为提供了更快的选择，如更容易实现和更准确。
MSMT17数据集描述
数据集采用了安防在校园内的15个摄像头网络，其中包含12个户外摄像头和3个室内摄像头。为了采集原始监控视频，在一个月里选择了具有不同天气条件的4天。每天采集3个小时的视频，涵盖了早上、中午、下午三个时间段。因此，总共的原始视频时长为180小时。
基于Faster RCNN作为行人检测器，三位人工标注员用了两个月时间查看检测到的包围框和标注行人标签。最终，得到4101个行人的126441个包围框。
评估协议
按照训练-测试为1：3的比例对数据集进行随机划分，而不是像其他数据集一样均等划分。这样做的目的是鼓励高效率的训练策略，由于在真实应用中标注数据的昂贵。
最后，训练集包含1041个行人共32621个包围框，而测试集包括3060个行人共93820个包围框。对于测试集，11659个包围框被随机选出来作为query，而其它82161个包围框作为gallery.
测试指标为CMC曲线和mAP. 对于每个query, 可能存在多个正匹配。
行人重识别（ReID）数据集大全详细说明相关推荐
- 行人重识别(ReID) ——数据集描述 DukeMTMC-reID
数据集简介 DukeMTMC 数据集是一个大规模标记的多目标多摄像机行人跟踪数据集.它提供了一个由 8 个同步摄像机记录的新型大型高清视频数据集,具有 7,000 多个单摄像机轨迹和超过 2,700 ...
- 行人重识别(ReID) ——数据集描述 CUHK03
数据集简介 CUHK03是第一个足以进行深度学习的大规模行人重识别数据集,该数据集的图像采集于香港中文大学(CUHK)校园.数据以"cuhk-03.mat"的 MAT 文件格式存储 ...
- 深度学习行人重识别ReID最新综述与展望
点击我爱计算机视觉标星,更快获取CVML新技术 今天 arXiv 新出论文 Deep Learning for Person Re-identification: A Survey and Outlo ...
- 行人重识别通用数据集及介绍
行人重识别(person re-identification, Re-ID)作为一个特定的跨不重叠摄像头的检索问题,已经有了许多的研究,可广泛应用于智能视频监控,智能安保等领域. 给定想要查询的人(q ...
- 行人重识别-REID
行人重识别-REID 一.REID 二.为什么使用REID 三.REID应用场景 四.REID研究形式 五.REID存在的挑战 一.REID 行人重识别-REID(person re-identifi ...
- REID计算机网络,什么是行人重识别(ReID)？为什么要ReID？
原标题:什么是行人重识别(ReID)?为什么要ReID? 什么是Re-ID? 行人重识别(Person Re-identification,也称行人再识别,简称为ReID),是利用计算机视觉技术判断图 ...
- 行人重识别常用数据集
数据集汇总链接https://github.com/NEU-Gou/awesome-reid-dataset.以下仅罗列较为常用的数据集,表格整合了基本信息,各数据集下对应链接是对数据集的详细介绍,部 ...
- 大白话解读行人重识别-ReID之DG-Net
综述参考: from:ReID综述(上)https://www.leiphone.com/news/201712/4Mvj2NBIxCN5bQZI.html from:ReID综述(下)https:/ ...
- opengl深度缓冲获得的深度图精度太低_深度学习行人重识别ReID最新综述与展望...
点击上方"计算机视觉life",选择"星标" 快速获得最新干货 arXiv 新出论文 Deep Learning for Person Re-identific ...
- 下一个视觉「杀手级应用」来了，依图行人重识别ReID性能创纪录
人脸识别之后的下一个风口是什么? 对于这个问题,业界似乎早已有了共识.从 AI 的人脸识别能力超越人类以来,学术界和产业界的目光逐渐转向另一个更具科研意义和应用价值的课题--行人重识别(Person ...
最新文章
- 1Python进阶强化训练之装饰器使用技巧进阶
- torch 变量_python变量
- 【AVR ASF4库函数学习笔记】一、使用Microchip Studio图形化配置工程
- 家里没什么菜的飞鸽传书
- 谷歌官方推出 TensorFlow 中文视频：机器学习从零到一（系列之二）
- 跟我学AI建模：分子动力学仿真模拟之DeepMD-kit框架
- display:table与本身的table的区别
- RNN，LSTM中如何使用TimeDistributed包装层，代码示例
- index.php上传到服务器找不到站点,ThinkPHP上传到服务器出现404，未找到index.php模板等问题...
- 如何调整pdf的页边距
- 基于multisim的晶体管放大器设计
- 泰克示波器存储格式，在存储时怎么选择？
- SDN先行开拓者们获得可视性和带宽控制
- 三合一DNC(发那科Fanuc 三菱Mitsubishi 兄弟brother)，（上传，下发，删除）NC程序
- SICP练习1.16
- 饥荒专用服务器全图显示代码,饥荒联机地图全开代码
- Jetson Nano （ 一） 配置流程
- Python量化交易学习笔记（14）——均线交叉策略
- 一文讲透，分布式系统的数据分片难题
- PCB设计中插头外壳地的统一处理