L2RW

L2RW是一个旨在模拟真实世界隐私保护下的可见光-红外行人重识别场景的基准数据集。该数据集由南京信息工程大学计算机科学与技术学院和University of Oulu中心for Machine Vision and Signal Analysis共同创建，通过设计三种协议（相机独立、实体独立和实体共享）来模拟不同隐私约束场景。数据集整合了多个现有数据集，以交叉域方式评估，以模拟真实世界场景，解决隐私保护和所有权问题，适用于可见光-红外行人重识别技术研究。L2RW is a benchmark dataset designed to simulate real-world privacy-preserving visible-infrared person re-identification (ReID) scenarios. This dataset was jointly created by the School of Computer Science and Technology, Nanjing University of Information Science and Technology, and the Center for Machine Vision and Signal Analysis, University of Oulu. Three protocols, namely camera-independent, identity-independent and identity-shared, are designed to simulate different privacy-constrained scenarios. The dataset integrates multiple existing datasets and conducts cross-domain evaluations to simulate real-world scenarios, addressing issues related to privacy protection and data ownership, and is suitable for research on visible-infrared person re-identification technologies.

搜集汇总

数据集介绍

构建方式

L2RW数据集的构建旨在模拟真实世界中的可见光-红外行人重识别（VI-ReID）场景，特别关注隐私保护问题。该数据集通过设计三种隐私保护协议（相机独立性CI、实体独立性EI和实体共享ES）来模拟不同隐私约束下的场景。在CI协议中，每个相机的数据完全隔离，模拟最高隐私级别；在EI协议中，不同实体的数据隔离，但实体内部数据可以共享；在ES协议中，所有实体的数据可以共享，模拟传统的集中式训练。通过这种方式，L2RW能够更好地反映现实世界中的隐私限制和数据分布问题。

使用方法

L2RW数据集的使用方法主要围绕其三种隐私保护协议展开。研究人员可以根据实际需求选择CI、EI或ES协议进行模型训练和评估。在CI协议下，模型需要在完全隔离的相机数据上进行训练，解决模态不完整问题；在EI协议下，模型需要在不同实体的隔离数据上进行训练，解决身份缺失问题；在ES协议下，模型可以在共享数据上进行训练，评估其在未见域上的泛化能力。此外，L2RW还提供了一个基于联邦学习的去中心化隐私保护训练算法（DPPT），作为基准解决方案，帮助研究人员更好地应对隐私保护下的VI-ReID任务。

背景与挑战

背景概述

L2RW数据集由南京信息工程大学和芬兰奥卢大学的研究团队于2025年提出，旨在解决可见光-红外行人重识别（VI-ReID）在现实世界应用中的隐私保护问题。该数据集的核心研究问题是如何在保护数据隐私的前提下，实现跨模态行人重识别。L2RW通过引入去中心化训练机制，模拟了现实世界中数据分布分散、隐私受限的场景，推动了VI-ReID技术在隐私敏感环境中的应用。该数据集的提出为隐私保护下的跨模态行人重识别研究提供了新的基准，对相关领域的研究具有重要的推动作用。

当前挑战

L2RW数据集面临的挑战主要包括两个方面。首先，在领域问题方面，VI-ReID需要解决跨模态匹配的难题，尤其是在可见光和红外图像之间存在显著差异的情况下。其次，在数据集构建过程中，研究人员面临隐私保护与数据共享之间的平衡问题。L2RW通过设计三种隐私协议（相机独立、实体独立和实体共享）来模拟不同隐私约束下的场景，但在这些协议下，模型训练面临模态不完整、身份缺失和领域偏移等技术障碍。此外，如何在去中心化训练中保持模型性能，同时确保数据隐私，也是该数据集构建中的一大挑战。

常用场景

经典使用场景

L2RW数据集主要用于可见光-红外行人重识别（VI-ReID）领域的研究，特别是在隐私保护场景下的模型训练与评估。该数据集通过模拟现实世界中的隐私约束条件，设计了三种协议（相机独立性、实体独立性和实体共享），使得研究者能够在不同隐私保护级别下进行模型训练与测试。其经典使用场景包括在分布式设备或实体之间进行隐私保护的行人重识别任务，确保数据在训练过程中不被共享或泄露。

解决学术问题

L2RW数据集解决了可见光-红外行人重识别领域中的隐私保护问题。传统VI-ReID方法依赖于集中式训练，忽略了现实世界中数据分布和隐私限制的复杂性。L2RW通过引入去中心化训练机制，解决了数据共享受限、模态不完整、身份缺失和域偏移等技术挑战。这一数据集为隐私保护下的VI-ReID研究提供了新的基准，推动了该领域向实际应用场景的过渡。

实际应用

L2RW数据集的实际应用场景主要集中在智能监控系统中，尤其是在需要全天候行人识别的场景下。例如，在夜间或低光照条件下，红外摄像头捕捉的图像可以与白天的可见光图像进行匹配，以实现跨模态行人重识别。L2RW的隐私保护机制使其特别适用于多设备协作的监控系统，确保数据在训练过程中不被泄露，同时满足严格的隐私法规要求。

数据集最近研究

最新研究方向

近年来，L2RW数据集在可见光-红外行人重识别（VI-ReID）领域引起了广泛关注，尤其是在隐私保护和去中心化训练方面。随着监控技术的普及，如何在保护数据隐私的同时实现高效的行人重识别成为了研究热点。L2RW通过引入三种隐私保护协议（相机独立性、实体独立性和实体共享），模拟了真实世界中的隐私约束场景，推动了VI-ReID技术在实际应用中的落地。去中心化隐私保护训练（DPPT）算法的提出，进一步解决了模态不完整、身份缺失和域偏移等技术难题，显著提升了模型在隐私保护条件下的性能。这一研究方向不仅为VI-ReID的实际部署提供了新思路，也为联邦学习在跨模态识别中的应用开辟了新的可能性。

相关研究论文

• From Laboratory to Real World: A New Benchmark Towards Privacy-Preserved Visible-Infrared Person Re-Identification

  南京信息工程大学计算机科学与技术学院, University of Oulu中心 for Machine Vision and Signal Analysis · 2025年