LLCM

该数据集名为LLCM，是最新推出的可视红外图像人物重识别（VI-ReID）基准，包含了30,921张来自713个独特身份的图片。测试集则包含了13,909张来自351个不同身份的图片。该数据集在评估中同时采用了可视至红外（VIS2IR）和红外至可视（IR2VIS）两种模式。此外，由于包含了更多从不同视角拍摄的图片、更为复杂的低光照条件以及更长的时间跨度，该数据集呈现出更大的挑战性。规模上，数据集共有30,921张图片，涉及713个身份；而测试集则包含13,909张图片，涉及351个身份。该数据集的任务是进行可见光与红外图像中的人物重识别。The dataset named LLCM is a newly released benchmark for visible-infrared person re-identification (VI-ReID). It contains 30,921 images from 713 unique identities, and the test set consists of 13,909 images from 351 distinct identities. Two evaluation modes, visible-to-infrared (VIS2IR) and infrared-to-visible (IR2VIS), are adopted for assessment on this dataset. Furthermore, this dataset poses greater challenges due to the inclusion of more images captured from diverse perspectives, more complex low-light conditions, and a longer time span. In terms of scale, the full dataset comprises 30,921 images spanning 713 identities, while the test set includes 13,909 images covering 351 identities. The core task of this dataset is person re-identification in visible and infrared imagery.

搜集汇总

数据集介绍

构建方式

在可见光-红外行人重识别领域，现有数据集多采集于光照充足环境，难以应对现实世界中复杂的光照变化。为填补这一空白，LLCM数据集应运而生。该数据集通过部署9台RGB/红外摄像机网络，在低光照环境下系统采集数据，涵盖白天可见光图像与夜间红外图像。数据采集历时超过100天，跨越不同气候条件与着装风格，确保了场景的多样性与真实性。采集过程中采用MTCNN技术检测并模糊人脸区域以保护隐私，最终构建了包含1,064个身份、46,767张边界框图像的大规模跨模态数据集，其训练集与测试集按约2:1的比例划分，为模型评估提供了可靠基准。

特点

LLCM数据集在跨模态行人重识别领域展现出鲜明的独特性。其核心特征在于首次系统引入了低光照环境下的数据采集，同时涵盖可见光与红外模态，模拟了夜间监控等实际应用场景中严峻的光照变化挑战。数据规模方面，该数据集以1,064个身份和46,767张图像成为当前最大的可见光-红外行人重识别基准。此外，数据集还包含了运动模糊、姿态变化、视角差异、遮挡及低分辨率等多种真实世界干扰因素，极大地提升了任务的复杂性与实用性。长期跨季节的数据采集进一步增强了数据在气候与着装风格上的泛化能力，为推进鲁棒性模型研究提供了关键支撑。

使用方法

LLCM数据集为评估跨模态行人重识别模型的鲁棒性提供了标准化的实验平台。研究人员可遵循其公开的评估协议，将数据集划分为包含713个身份的30,921张训练图像和包含351个身份的13,909张测试图像。评估时支持可见光到红外与红外到可见光两种检索模式，模拟了双向跨模态匹配的实际需求。在测试阶段，需从每个摄像头的每个身份中随机选取一张图像构建图库集，并通过多次随机划分计算平均性能指标以确保结果稳定性。该数据集可与SYSU-MM01、RegDB等现有基准联合使用，全面验证模型在常规与低光照复杂场景下的泛化能力与模态差距消除效果。

背景与挑战

背景概述

可见光-红外行人重识别（VIReID）作为跨模态检索的关键任务，旨在解决全天候监控场景下因光照剧烈变化导致的识别失效问题。2023年3月，厦门大学智能感知与计算重点实验室联合上海人工智能实验室的研究团队，针对现有数据集在低光照条件下数据匮乏的局限性，构建了低光照跨模态数据集LLCM。该数据集包含由9台RGB/红外相机采集的1,064个身份共46,767张图像，首次系统性地引入了昼夜光照差异、气候变迁与服饰变化等多维度变量，为跨模态特征学习提供了更贴近现实场景的评估基准，显著推动了可见光-红外跨模态对齐技术向实用化方向发展。

当前挑战

LLCM数据集所应对的核心领域挑战在于低光照条件下跨模态行人特征的鲁棒性学习。可见光与红外图像间存在的巨大模态差异，在光照衰减时进一步加剧，导致纹理信息丢失与颜色特征失真，传统特征对齐方法难以保持跨模态身份一致性。在构建过程中，研究团队面临多重技术挑战：需在长达百日的采集周期内维持身份标注的时空连续性，同时处理运动模糊、姿态变异、遮挡及低分辨率等复合噪声；此外，为保护隐私而对人脸区域进行模糊化处理，亦增加了特征提取的难度，要求模型具备更强的语义理解与抗干扰能力。

常用场景

经典使用场景

在跨模态行人重识别领域，LLCM数据集因其独特的低光照采集环境而成为评估模型鲁棒性的经典基准。该数据集主要应用于模拟真实世界夜间或光线不足场景下的可见光-红外跨模态检索任务，研究者通过在该数据集上训练和测试模型，能够有效评估算法在光照剧烈变化条件下的性能表现。其经典使用场景在于为跨模态特征学习提供具有挑战性的低光照样本对，推动模型学习光照不变的判别性特征。

实际应用

在实际应用层面，LLCM数据集直接服务于智慧城市安防监控系统，特别是在全天候人员追踪与身份识别场景中发挥关键作用。基于该数据集训练的模型能够部署于配备可见光与红外双模摄像头的监控网络，实现白天可见光图像与夜间红外图像的无缝关联检索。这种能力对于公共安全领域的犯罪嫌疑人追踪、失踪人员查找以及重要区域的全天候安保具有重要价值，提升了监控系统在复杂光照环境下的实用性与可靠性。

衍生相关工作

LLCM数据集的发布催生了一系列专注于低光照跨模态学习的创新研究。以该数据集为基准，研究者提出了多种针对光照变化的特征增强与模态对齐方法，例如基于光照不变特征提取的网络架构改进、融合时序信息的低光照跨模态匹配算法等。这些衍生工作不仅深化了对光照-模态耦合关系的理解，还推动了动态光照适应、跨模态数据增广等子方向的发展，形成了以LLCM为核心的低光照跨模态行人重识别研究分支。