VeRi

VeRi数据集是一个用于城市交通监控中车辆再识别的大型基准数据集。它包含超过50,000张776辆车的图像，这些图像由20个摄像头在24小时内覆盖1.0平方公里区域拍摄。数据集具有多样性，包括不同的视角、光照、分辨率和遮挡情况，并标注了车辆的各种属性如类型、颜色、品牌以及车牌和时空信息。

The VeRi dataset is a large-scale benchmark dataset designed for vehicle re-identification in urban traffic surveillance. It comprises over 50,000 images of 776 vehicles, captured by 20 cameras over a 24-hour period covering an area of 1.0 square kilometers. The dataset exhibits diversity, including variations in viewpoint, lighting, resolution, and occlusion conditions. It is annotated with various vehicle attributes such as type, color, brand, as well as license plate and spatiotemporal information.

原始信息汇总

数据集概述

数据集名称

• VeRi dataset

数据集目的

• 旨在促进车辆再识别（Re-Id）的研究，构建了一个大规模基准数据集，用于真实世界城市监控场景中的车辆Re-Id。

数据集特点

• 规模与覆盖：包含超过50,000张776辆车的图像，由20个摄像头在24小时内覆盖1.0平方公里区域。
• 真实场景：图像在真实世界不受约束的监控场景中捕获，并标注了多种属性，如边界框（BBoxes）、类型、颜色和品牌。
• 视角多样性：每辆车由2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕获。
• 详细标注：包含充足的牌照和时空信息，如牌照边界框、牌照字符串、车辆时间戳及相邻摄像头间的距离。

数据集使用

• 数据集提供需通过邮件联系，邮件中需提供全名和单位，确保数据用于非商业目的。

引用信息

• 使用数据集时，应引用以下论文：
  • Xinchen Liu, Wu Liu, Huadong Ma, Huiyuan Fu: Large-scale vehicle re-identification in urban surveillance videos. ICME 2016: 1-6 (Best Student Paper Award, Citation=75)
  • Xinchen Liu, Wu Liu, Tao Mei, Huadong Ma: A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban Surveillance. ECCV (2) 2016: 869-884 (Citation=56)
  • Xinchen Liu, Wu Liu, Tao Mei, Huadong Ma: PROVID: Progressive and Multimodal Vehicle Reidentification for Large-Scale Urban Surveillance. IEEE Trans. Multimedia 20(3): 645-658 (2018) (Citation=26)

数据集性能

• 提供了数据集上的最新结果，包括mAP、Rank-1、Rank-5等指标，以及不同年份的参考文献。

示例代码

• 提供了一个示例代码，用于车辆搜索评估，包括距离矩阵计算、平均精度计算等步骤。

我们的结果

• 展示了在六个数据集上的性能，包括mAP和Rank-1等指标。

搜集汇总

数据集介绍

构建方式

VeRi数据集是在现实世界城市监控场景中构建的大规模车辆重识别基准数据集。该数据集通过覆盖1.0平方公里区域内的20个摄像头，在24小时内捕捉了776辆车的超过50,000张图像，确保了数据集在车辆重识别及相关研究中的可扩展性。图像采集于真实的无约束监控场景，并标注了各种属性，如边界框、类型、颜色和品牌，为复杂模型的训练和评估提供了条件。

特点

VeRi数据集的特点在于：一是规模大，包含的图像数量多，覆盖车辆种类丰富；二是图像采集自真实监控场景，包含了多样化的属性标注，有利于模型的泛化能力；三是每辆车被不同视角、光照、分辨率和遮挡的多个摄像头捕捉，为车辆重识别在实际监控环境中的应用提供了高重现率；四是数据集还标注了足够的车牌和时空信息，为车辆追踪和重识别研究提供了丰富的辅助信息。

使用方法

使用VeRi数据集时，用户需向指定邮箱提交姓名和所属机构，以获取数据集，并确保仅将数据用于非商业研究目的。数据集的使用包括车辆搜索评估示例代码的运行，涉及距离矩阵的计算、地面真实数据和次品图像索引的读取，以及平均精度（AP）的计算，以评估模型的性能。

背景与挑战

背景概述

VeRi数据集是在现实世界城市监控场景中，为车辆重识别（Re-Id）研究构建的大规模基准数据集。该数据集由刘心晨等研究人员于2016年创建，隶属于北京邮电大学。VeRi数据集包含超过50,000张776辆车的图像，这些图像由20台相机在1.0平方公里区域内24小时内捕获。数据集的图像在未受约束的监控场景中捕获，并标注有各种属性，如边界框、类型、颜色和品牌。VeRi数据集的构建旨在为车辆重识别及其他相关研究提供可扩展的、多样化的数据支持，并在学术界产生了广泛的影响力，相关论文获得了75次引用。

当前挑战

VeRi数据集在构建过程中遇到的挑战主要包括：如何在复杂多变的监控场景中保证数据的多样性和质量；如何处理不同视角、光照、分辨率和遮挡带来的影响；以及如何高效地标注大量的时间和空间信息。在研究领域问题方面，VeRi数据集面临的挑战是如何在高度动态和多样化的城市监控环境中，实现车辆的准确重识别。这要求算法能够处理跨摄像头的车辆匹配问题，并具有一定的鲁棒性和泛化能力。

常用场景

经典使用场景

VeRi数据集作为车辆重识别领域的重要基准，其经典使用场景主要在于构建和评估车辆重识别算法。研究人员利用该数据集中的大规模图像，覆盖多种视角、光照条件、分辨率及遮挡情况，以训练复杂的模型，并对其进行有效性验证。

解决学术问题

VeRi数据集解决了车辆重识别领域中的多个关键学术问题，包括如何在复杂多变的城市监控场景下实现高效的车辆特征学习与匹配，以及如何处理不同摄像头视角、光照和遮挡带来的识别挑战。该数据集的构建显著推动了车辆重识别技术的发展，提高了算法的鲁棒性和准确性。

衍生相关工作

基于VeRi数据集，学术界衍生了众多经典工作，包括深度学习方法在车辆重识别中的应用、多模态特征融合、时空信息利用等研究方向。这些工作不仅拓宽了车辆重识别技术的应用范围，也推动了相关领域的学术交流和技术创新。